VAE-Surv:一种基于基因的聚类和预后预测在骨髓质疏松症候群的新方法
Cesare Rollo1, Corrado Pancotti1, Flavio Sartori1
1Computational Biomedicine Unit, Department of Medical Sciences, University of Torino, Via Santena 19, 10126, Torino, Italy.
Computer methods and programs in biomedicine
|January 28, 2025
概括
VAE-Surv是一种新的计算框架,通过整合分子和临床数据,有效地分层患者并预测预后. 这种方法在生存预测中优于传统方法,并识别出新的患者亚型,以更好地管理疾病.
科学领域:
- 生物医学数据分析
- 计算生物学是一种计算生物学.
- 机器学习在医疗保健中的应用
背景情况:
- 当前的患者分层和预后预测方法经常独立分析数据,限制了全面的理解.
- 由于数据异质性,多模式性和高维度性,聚类生存数据具有挑战性,特别是在生物医学应用中.
研究的目的:
- 引入VAE-Surv,这是一个用于患者分层和预后预测的多式联络计算框架.
- 为了解决复杂的生物医学数据的现有生存数据聚类方法的局限性.
主要方法:
- VAE-Surv集成了一个变异自编码器 (VAE) 用于分子数据的维度缩小与使用临床特征的深度生存模型.
- VAE嵌入优先考虑局部连贯性以检测非线性关系,并用于K-means集群的隐藏表示.
- 该框架应用于骨髓质疏松症候群 (MDS) 队列,将结果与世卫组织分类和考克斯模型进行比较.
主要成果:
- 在GenomMed4All队列中,VAE-Surv的C指数中位数为0.78,超过了传统方法.
- 与直接输入数据集群相比,潜伏空间提高了集群性能.
- 确定的集群捕获了现有的临床分类和建议的新型数据驱动的患者组,在外部MDS队列上得到验证 (中位数C指数=0.74).
结论:
- VAE-Surv自动化了患者集群识别,在生存预测方面超过了CoxPH模型.
- 在MDS中基于基因的集群表明了明显的生存分层.
- 临床信息的整合使得预后预测的高性能成为可能,同时保持了可解释性.
更多相关视频
09:01Flow Cytometry to Estimate Leukemia Stem Cells in Primary Acute Myeloid Leukemia and in Patient-derived-xenografts, at Diagnosis and Follow Up
Published on: March 26, 2018
13.9K
06:39Use of Hematopoietic Stem Cell Transplantation to Assess the Origin of Myelodysplastic Syndrome
Published on: October 3, 2018
9.7K
