拟议的综合方法学与可解释的人工智能集成,用于预测可能的生物标志物,用于检测乳腺癌的血样本的代谢学小组
Cemil Colak1, Fatma Hilal Yagin1, Abdulmohsen Algarni2
1Department of Biostatistics, and Medical Informatics, Faculty of Medicine, Inonu University, Malatya 44280, Turkey.
Medicina (Kaunas, Lithuania)
|April 26, 2025
概括
这项研究开发了一个可解释的人工智能 (AI) 模型,使用代谢学数据用于早期发现乳腺癌 (BC). 人工智能模型准确地识别了血中的BC生物标志物,帮助改善诊断的临床决策支持.
科学领域:
- 生物化学和分子生物学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 乳腺癌 (BC) 是女性癌症死亡的主要原因,早期检测对于预防转移至关重要.
- 目前的查方法,如乳房造影,在灵敏度和特异性方面都有局限性.
- 代谢学为准确的早期疾病检测和个性化治疗提供了一个有希望的方法.
研究的目的:
- 开发一个可解释的人工智能 (AI) 模型用于早期乳腺癌 (BC) 检测,使用血代谢学数据.
- 确定潜在的血代谢物生物标志物,使BC患者与健康个体有所区别.
- 评估各种AI算法的诊断性能和可解释性.
主要方法:
- 分析了138名BC患者和76名健康对照的队列.
- 使用液体染色学-飞行质谱时间 (LC-TOFMS) 和气体染色学-飞行质谱时间 (GC-TOFMS) 进行了等离子体代谢物的分析.
- 包括XGBoost,LightGBM,AdaBoost和Random Forest在内的机器学习模型使用ROC AUC,精度,灵敏度,特异性和F1分数进行了评估. 为了模型的可解释性,使用了夏普利添加式扩展 (SHAP) 分析.
主要成果:
- 轻GBM实现了最高的接收器运行特征-曲线下的区域 (ROC AUC) 0.983.
- 随机森林 (RF) 显示了高精度 (0.963) 和灵敏度 (0.977),以及0.989.98的最好的精度回忆曲线下的区域 (PR AUC).
- SHAP分析确定了甘氨酸酸胆和托西丁作为关键的区分代谢物,乌拉,谷氨酸和丁氨酸也具有重要意义.
结论:
- 可解释性AI (XAI) 模型与代谢生物标志物相结合,显示出对乳腺癌检测的高诊断准确度和灵敏度.
- 已识别的代谢物,如甘氨酸醇和托西丁,是早期BC诊断的潜在生物标志物.
- 拟议的XAI系统可以作为临床决策支持工具,以加强早期乳腺癌诊断.
