培训,验证和测试机器学习预测模型用于子宫内膜癌复发

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 机器学习 机器学习

背景情况:

• 子宫内膜癌 (EC) 是美国普遍存在的妇科恶性瘤,发病率和死亡率不断增加.
• 很大比例的EC患者 (15%-20%) 经历了复发尽管标准治疗.
• 准确预测复发风险对于选择适当的辅助疗法至关重要.

研究的目的:

• 开发,验证和测试子宫内膜癌复发的预测模型.
• 利用机器学习 (ML) 和深度学习 (DL) 分析来提高预测准确度.
• 采用包括临床,病理,基因组和遗传信息在内的全面数据集.

主要方法:

• 分析了来自瘤研究信息交换网络数据库的数据.
• 患者被分为低风险,高风险和非子宫内膜组织学组.
• 多变量模型使用拉索回归,ML (MATLAB) 和DL (TensorFlow) 进行训练,验证和测试,其中包含基因组数据 (microRNA,lncRNA,伪基因表达) 和遗传变异 (SNV,CNV).

主要成果:

• 最初的临床复发模型显示AUC在56%至70%之间.
• 实现AUC>80%的模型被选择用于进一步分析:五个低风险组,20个高风险组,20个非子宫内膜组织组.
• 性能最好的模型包括临床数据,副本数变异 (CNV),伪基因表达和单核酸变异 (SNV).

结论:

• 基于ML和DL的预测模型显示,与仅依赖临床和病理数据的模型相比,其性能优越.
• 这些先进的模型有望改善预测子宫内膜癌复发的预测.
• 需要进一步的前性验证,以确定这些预测模型的临床实用性.