机器学习模型用于预测前列腺癌复发和识别潜在的分子生物标志物
Maria Eliza Antunes1,2, Thaise Gonçalves Araújo3, Tatiana Martins Till4
1Graduate Program in Biometrics, Instituto de Biociências de Botucatu (IBB), Universidade Estadual Paulista (UNESP), Botucatu, São Paulo, Brazil.
Frontiers in oncology
|March 4, 2025
概括
预测前列腺癌 (PCa) 复发是具有挑战性的. 机器学习模型,特别是包含特定基因表达的支持矢量机器,如NETO2,AR,HPN和KLK3,显示出早期预后的前景.
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:
- 前列腺癌 (PCa) 复发影响20-40%的患者,在预测结果和改善生存率方面存在挑战.
- 目前的PSA水平,格里森得分和分期等标志物缺乏针对复发检测的特异性.
研究的目的:
- 为了比较PCa复发分类的天真贝叶斯 (NB),支持向量机 (SVM) 和人工神经网络 (ANN) 模型.
- 评估是否结合基因表达数据可以提高预测准确度,并识别潜在的预后生物标志物.
主要方法:
- 利用了来自癌症基因组图谱 (TCGA) 的489名患者的数据集.
- 我们比较了三个监督机器学习模型:NB,SVM和ANN.
- 分析了包括特定基因表达在预测性能上的影响.
主要成果:
- 所有模型都实现了>60%的准确性和>65%的灵敏度.
- 在ANN模型中,在预测器集中展示了一致的性能.
- SVM模型在精度和特异性方面表现出色,特别是在特定基因 (NETO2,AR,HPN,KLK3) 中,保持灵敏度.
结论:
- 基因表达数据,特别是NETO2,AR,HPN和KLK3,显示了作为预测PCa复发的生物标志物的潜力.
- 机器学习模型,特别是SVM,为早期PCa预后提供了一个有希望的途径.
- 由于观察到的变异性,需要对各种数据集进行进一步的研究.
