肝癌诊断的非向性脂质组生物标志物:一种基于树的机器学习模型,通过可解释的人工智能来增强
Cemil Colak1, Fatma Hilal Yagin1, Abdulmohsen Algarni2
1Department of Biostatistics, and Medical Informatics, Faculty of Medicine, Inonu University, 44280 Malatya, Turkey.
Medicina (Kaunas, Lithuania)
|March 27, 2025
概括
可解释的AI和脂管学成功识别了用于早期肝癌检测的生物标志物. 这种方法揭示了癌症进展中的关键脂质代谢变化,有助于精确瘤学的努力.
科学领域:
- 生物化学 生物化学
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肝癌是癌症死亡的主要原因之一.
- 改变脂质代谢是肝癌 (肝癌发生) 的一个关键特征.
- 新型诊断生物标志物对于早期检测至关重要.
研究的目的:
- 利用可解释的人工智能 (XAI) 来识别肝癌的脂质组生物标志物.
- 开发一个强大的机器学习模型,用于早期肝癌诊断.
- 提高预测模型在肝癌检测中的可解释性.
主要方法:
- 使用LC-QTOF-MS对219名肝癌患者和219名对照患者的血清样本进行非向性脂质组分析.
- 统计分析包括折叠变化,t测试,PLS-DA和弹性网络用于特征选择.
- 使用SHAP开发和评估机器学习模型 (AdaBoost,随机森林,梯度提升),以提高可解释性.
主要成果:
- 脂质特征的显著变化,包括斯芬哥米林的减少和脂肪酸和脂胆的增加.
- 该AdaBoost模型实现了高分类性能,其AUC为0.875.
- 甲基胆 (PC 40:4) 通过SHAP分析被确定为一个关键的预测性脂质.
结论:
- 非向性脂组学与XAI和机器学习相结合,可以有效地识别早期肝癌生物标志物.
- 脂质代谢的改变是肝癌进展的组成部分.
- 这种方法为将脂管学纳入精密瘤学策略提供了有价值的见解.
