使用SEQENS识别相关特征,以改进监督机器学习模型,预测AML治疗结果

科学领域:

• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学
• 在瘤学瘤学.

背景情况:

• 急性髓性白血病 (AML) 在临床决策中构成了重大挑战.
• 在诊断时预测并发症对于有效的治疗策略至关重要.
• 现有的方法可能无法充分利用全面的患者数据来进行风险分层.

研究的目的:

• 评估SEQENS算法用于预测AML并发症的特征选择.
• 验证机器学习模型,以预测AML患者在诊断后90天,六个月和一年的风险.
• 开发一个支持临床决策的工具,并了解AML风险因素.

主要方法:

• 利用了568名患者的数据集,包括人口统计,临床,遗传和细胞遗传数据.
• 应用了增强的SEQENS算法来选择适合每个预测时间点的特征.
• 对比了四个机器学习分类器 (XGBoost,MLP,后勤回归,决策树) 来评估特征选择的影响.

主要成果:

• SEQENS确定了诸如年龄,TP53,-7/7Q和EZH2之类的关键特征,这些特征在所有时间点都具有一致的相关性.
• XGBoost获得了最高的ROC-AUC得分:0.81 (90天),0.84 (6个月) 和0.82 (1年).
• 功能选择通常保持或改进模型性能,在外部设置上进行验证.

结论:

• 开发了具有性能适合临床决策支持的预测模型,在诊断后的各种时间间隔.
• 选择的特征与欧洲白血病网络 (ELN) 2022年风险分类保持一致.
• SEQENS有效地降低了特征维度,同时保持了AML并发症的预测准确度.