机器学习准确地预测了基于三个miRNAs的膀癌的肌肉入侵

科学领域:

• 在瘤学瘤学.
• 分子生物学分子生物学
• 生物标志物发现发现

背景情况:

• 膀癌的诊断依赖于组织病理学,准确的分期对于治疗决策至关重要.
• 区分非肌肉侵入性膀癌 (NMIBC) 和肌肉侵入性膀癌 (MIBC) 对于患者管理至关重要.
• 微RNAs (miRNAs) 已经成为各种癌症的潜在生物标志物,包括膀癌.

研究的目的:

• 在独立的膀癌队列中验证四种特定miRNA的诊断潜力.
• 开发和评估准确的分类模型来预测膀癌的侵入性.
• 研究miRNA表达与膀癌分子亚型的关联.

主要方法:

• 在pTa低级 (lg),pT1高级 (hg) 和MIBC患者的瘤组织上进行了miRNA表达特征分析.
• 使用miRNA表达数据训练了一个k-最近邻居 (KNN) 分类器,以区分NMIBC (pTa lg) 和MIBC.
• 应用了符合性预测方法,以提高KNN分类模型的可靠性.

主要成果:

• 在MIBC和pTa lg膀癌之间观察到miR-138-5p,miR-200a-3p,miR-146b-5p和miR-155-5p表达的显著差异.
• 使用三种miRNA的KNN分类器在区分pTa lg和MIBC时获得了高精度 (0.94).
• 该分类模型表现出强大的性能,符合性预测消除了测试队列中的错误分类. 在32%的病例中,pT1 hg瘤被归类为MIBC.
• 特定的miRNA表达与膀癌的不同分子亚型显著相关.

结论:

• 四个研究的miRNAs有效地区分MIBC和NMIBC.
• 一个基于三个miRNA的分类模型准确地预测了瘤的侵入性,为组织病理学诊断提供了潜在的支持.
• 这些发现可能有助于临床决策关于激进囊切除与膀节约策略,特别是对于pT1hg瘤.