探索机器学习在胃癌中的潜力:预后生物标志物,亚型和分层
Haniyeh Rafiepoor1, Mohammad M Banoei2,3, Alireza Ghorbankhanloo1
1Cancer Biology Research Center, Cancer Institute, Tehran University of Medical Sciences, Keshavarz Blvd, Building, Tehran, Iran.
BMC cancer
|April 30, 2025
概括
机器学习模型识别了P53和Ki67等关键生物标志物,以预测胃癌 (GC) 患者的死亡率和病期. 这种方法有助于个性化医疗,优先考虑高风险个体,以获得早期干预和改善结果.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 胃癌 (GC) 管理方面的进展强调了生物标志物在预后中的关键作用.
- 机器学习 (ML) 可以识别关键预测因素及其相互作用,用于患者分类和治疗决策.
研究的目的:
- 应用ML技术来识别GC预后中的显著预测因素和相互作用.
- 为GC死亡率,阶段和亚型开发预测模型.
- 在GC管理中优先考虑临床应用的生物标志物.
主要方法:
- 利用SIMPLS模型在140名GC患者中识别显著预测因素和可变相互作用.
- 采用预测分区分析来创建用于标记者优先级的决策树模型.
- 开发了ML模型来预测TNM阶段和GC亚型,使用LCA和PCA进行患者集群.
主要成果:
- 简单的模型准确地预测了GC患者的死亡率 (Q2 = 0.45-0.70),确定了MMP-7,P53,Ki67和维丁作为顶级预测因素.
- ML模型显示出高的预测性能 (AUC为0.84-0.99,特异性为0.82-0.99,灵敏度为0.87-0.99).
- 分区分析确定P53 ≥6,COX-2 >2,维门丁>2,Ki67 ≥13作为关键的死亡率预测指标 (AUC 0.85-0.90).
结论:
- 通过考虑多个变量和相互作用,ML技术有效地预测GC死亡率和阶段.
- 将分子生物标志物与临床因素相结合,可以显著提高GC患者的预后.
- 这项研究通过识别高风险患者以进行量身定制的干预和优化治疗策略,支持GC的个性化医疗.
