一种机器学习方法来构建和评估基于瘤微环境的子宫内膜癌分子预后模型
Di Wu1, Zhifeng Yan2, Mingxia Li2
1School of Medicine, Nankai University, Tianjin, China.
Journal of cellular and molecular medicine
|February 21, 2025
概括
一个新的机器学习模型,RF16,准确地预测子宫内膜癌 (EC) 患者的结果. 这种具有成本效益的方法使用免疫组织化学,增强了EC的个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 在全球范围内,子宫内膜癌 (EC) 的发生率和瘤负担正在上升.
- 个性化治疗策略对于改善患者的治疗结果至关重要.
- 分子表达形状分析对EC的预后建模具有前景.
研究的目的:
- 使用机器学习方法开发子宫内膜癌 (EC) 的分子表达预后模型.
- 通过分析瘤微环境来指导个性化治疗决策.
- 为EC创建一个具有成本效益和临床价值的预测工具.
主要方法:
- 利用了经过子宫切除术的EC患者的两个数据集 (培训n=698,测试n=151).
- 使用R软件开发和优化无进展和整体生存的预测模型.
- 通过单变量分析和考克斯回归来确定与生存相关的因素,用名录图可视化.
- 开发了一个随机森林模型 (RF16) 用于分子分类,用免疫组织化学取代基因测序.
主要成果:
- 共有849名EC患者被纳入该研究.
- 开发的随机森林模型 (RF16) 有效地表征瘤分子.
- 通过利用免疫组织化学而不是基因测序,RF16提高了概括性.
- 该模型展示了低成本,高效率和临床价值.
结论:
- 基于机器学习的RF16模型是对子宫内膜癌 (EC) 预后具有临床价值的工具.
- RF16提供了一种具有成本效益和效率的方法,用于指导EC的个性化治疗.
- 这种方法补充了EC的现有分子分类方法.


