一种机器学习方法用于基于血细胞外囊泡的胰腺瘤分类
Ioanna Angelioudaki1, Angeliki Iosif2, Konstadina Kourou2
12nd Department of Surgery, Aretaieion Hospital, Medical School of Athens, National and Kapodistrian University of Athens, Athens, Greece.
Frontiers in oncology
|May 12, 2025
概括
这项研究开发了一种机器学习管道,使用细胞外囊 (EV) 和临床数据来准确检测胰腺癌. 基于电动汽车的功能提供了比目前的生物标志物更好的诊断能力,用于早期检测.
科学领域:
- 在瘤学瘤学.
- 生物技术是生物技术.
- 机器学习 机器学习
背景情况:
- 胰腺癌 (PC) 是一种致命的恶性瘤,早期检测方法有限.
- 液体活检,特别是细胞外囊 (EVs),显示出对非侵入性癌症诊断的希望.
- 电动车载有反映其起源细胞的生物标志物,有助于癌症检测.
研究的目的:
- 开发一种机器学习 (ML) 管道,使用临床变量和基于 EV 的特征来预测胰腺瘤.
- 要区分分泌外分泌内分泌胰腺新生瘤,良性病变和非瘤患者.
- 评估血中EV亚群的诊断价值,以检测胰腺癌.
主要方法:
- 收集的血样本 (N=126) 和手术前的临床数据.
- 使用流细胞计-免疫染,分析大小和生物标志物 (CD45,CD63,EphA2) 进行了EV的特征化.
- 应用各种ML算法 (逻辑回归,随机森林,SVM,XGBoost) 进行3类分类,使用AUC-ROC和Shapley值进行评估.
主要成果:
- 血液学和生化特征被确定为重要的预测因素.
- 使用血EV亚群的ML模型实现了高精度 (>0.90).
- 随机森林和XGBoost算法表现出卓越的性能,两种用例的精度分别为0.96 +/- 0.03和0.93 +/- 0.04.
结论:
- 集成临床和EV数据的ML驱动的管道准确地预测胰腺瘤.
- 基于电动汽车的功能提供了额外的诊断价值,超过了传统的生物标志物,如CEA和CA19.9.
- 这种方法支持通过增强风险估计来早期发现胰腺癌的可行性.
