[基于人类DNA甲基化进行的宫癌查的机器学习预测模型的构建和初步验证]
1National Institute of Diagnostics and Vaccine Development in Infectious Diseases, School of Public Health, Xiamen University, Xiamen 361102, China.
Zhonghua zhong liu za zhi [Chinese journal of oncology]
|February 12, 2025
概括
使用DNA甲基化的机器学习模型显示出宫癌查的前景. 纯粹的贝叶斯模型在检测2级或更高的宫内皮质瘤病变方面表现出强大的预测性能.
科学领域:
- 在瘤学瘤学.
- 遗传学 是一个遗传学.
- 生物信息学是一种生物信息学.
背景情况:
- 宫癌查依赖于人类乳头瘤病毒 (HPV) 检测和细胞学诊断,这些都有局限性.
- DNA甲基化模式为早期癌症检测提供了潜在的生物标志物.
研究的目的:
- 利用人类基因甲基化特征开发和评估用于宫癌和癌前病变查的机器学习 (ML) 预测模型.
- 为了比较ML模型对HPV检测和细胞学诊断的有效性.
主要方法:
- 收集了224个宫脱皮细胞样本用于DNA甲基化分析.
- 使用LASSO回归选择的高甲基化基因片段.
- 构建的ML模型 (随机森林,天真贝叶斯,支载体机器) 用于预测2级 (CIN2) 或更高的宫内皮质瘤.
- 使用组织学诊断作为黄金标准的验证模型.
主要成果:
- 确定了7个高甲基化基因片段,并用于构建RF,NB和SVM模型.
- 在验证组 (80例) 中,NB模型实现了0.88的曲线下面面积 (AUC),超过了HPV检测 (0.68) 和细胞学 (0.45).
- 该NB模型在检测CIN2+病变方面表现出高特异性 (93.88%).
结论:
- 基于DNA甲基化的机器学习模型与当前选方法相比,显示出更高的性能.
- 纯粹的贝叶斯模型证明了查宫癌和癌前病变的巨大潜力.
- 基于DNA甲基化的ML模型在宫癌查中的临床应用需要进一步验证.
