使用深度学习的综合多态和常规血液分析:具有成本效益的慢性疾病风险早期预测
Zhibin Dong1,2, Pei Li1, Yi Jiang3
1Medical Innovation Research Division, Chinese PLA General Hospital, Beijing Key Laboratory of Chronic Heart Failure Precision Medicine, Chinese PLA General Hospital, Medical Engineering Laboratory of Chinese PLA General Hospital, Beijing, 100038, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|April 2, 2025
概括
慢性非传染性疾病 (NCD) 的早期预测现在可以使用多omics数据和深度学习模型. 这种方法分析常规血液检查,以提前几年识别疾病风险,帮助个性化医疗.
科学领域:
- 生物医学信息学 生物医学信息学
- 基因组学就是基因组学.
- 预防医学 预防医学
背景情况:
- 慢性非传染性疾病 (NCD) 构成了全球卫生挑战,原因是它们的逐渐发病和早期预测的困难.
- 目前的查方法往往缺乏用于早期检测复杂疾病轨迹的敏感性.
研究的目的:
- 通过使用多omics数据来探索疾病的相互联系.
- 开发和验证深度学习模型,用于非传染性疾病的临床前风险评估.
- 创建一个可访问的非传染性疾病风险预测系统,基于常规血液检查.
主要方法:
- 收集了来自160名不健康个体的多项数据.
- 开发并应用了一个深度学习模型,Omicsformer,用于分析常规血液样本.
- 使用20年的临床患者数据验证了该模型的预测能力.
主要成果:
- Omicsformer成功地确定了9种疾病的潜在风险,包括癌症,心血管和精神疾病.
- 风险轨迹分析证实了该模型在临床前风险评估中的有效性.
- 这项研究揭示了与疾病发病相关的疾病风险增加的趋势.
结论:
- 多omics分析对于预测慢性疾病风险至关重要.
- 基于常规血液检测的预测模型可以推进个性化医疗.
- 这种方法有可能降低社区一级的疾病查成本.
