基准测试组合机器学习算法用于多类,多omics数据集成在临床结果预测中的数据集成

科学领域:

• 生物信息学是一种生物信息学.
• 机器学习 机器学习
• 计算生物学 计算生物学

背景情况:

• 多模式患者数据为疾病建模提供了互补的见解.
• 分析多模式,多omics数据带来了重大的计算挑战.
• 有效的整合策略对于利用各种数据类型至关重要.

研究的目的:

• 为了比较整体机器学习 (ML) 算法,以便晚期集成多类患者数据.
• 评估各种集合方法的性能,包括投票,元学习者和增强模型.
• 对肝细胞癌,乳腺癌和刺激性肠道疾病的真实数据集评估这些方法的有效性.

主要方法:

• 整体ML算法的比较:投票 (硬/软),元学习者,多模式AdaBoost (硬/软/元学习者),PB-MVBoost,以及专家的混合.
• 来自不同模式的多类数据的晚期整合.
• 使用内部肝细胞癌数据和乳腺癌和刺激性肠道疾病的外部验证数据集进行评估.

主要成果:

• 整体ML模型实现了接收器运行曲线 (AUC) 下的面积高达0.85.
• 在经过测试的方法中,PB-MVBoost和AdaBoost以软票表现出最佳表现.
• 与单个模式或简单连接相比,集成模型产生了更稳定的预测特征和更高的准确性.

结论:

• 使用有效的集体ML模型整合互补的omics和数据模式显著提高了多类临床结果预测的准确性.
• 增强组合方法,特别是软投票的PB-MVBoost和AdaBoost,对于多式联络数据集成非常有效.
• 该研究为在临床研究中最好地整合多模式,多类数据提供了建议.