基于分子特征的机器学习模型的开发和验证,用于估计患有多种非小细胞肺癌的患者中多种原发性肺癌与肺内转移的概率
1Division of Thoracic Tumor Multimodality Treatment, Cancer Center, West China Hospital, Sichuan University, Chengdu, China.
Translational lung cancer research
|May 19, 2025
概括
机器学习模型使用分子特征准确地区分了多种原发性肺癌与转移. 这有助于改善诊断,并帮助临床决策挑战非小细胞肺癌病例.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 将多种非小细胞肺癌 (NSCLC) 与多种初级肺癌 (MPLC) 或肺内转移 (IPM) 区分开来至关重要,但具有挑战性.
- 准确的分类对治疗策略和NSCLC管理中的患者结果产生影响.
研究的目的:
- 开发和验证机器学习 (ML) 模型,利用分子特征来估计多重NSCLC患者中MPLC与IPM的概率.
- 为了提高复杂NSCLC病例的诊断准确度.
主要方法:
- 分析了72名NSCLC患者 (157个瘤) 的整体外体测序 (WES) 数据.
- 计算了四个分子特征 (遗传分歧,共享突变数,皮尔森相关性,早期突变数).
- 使用分子特征训练和验证决策树 (DT),随机森林 (RF) 和梯度增强决策树 (GBDT) 模型.
主要成果:
- 在MPLC和IPM之间,分子特征显著不同,MPLC显示出更高的遗传分歧和更低的共享突变.
- ML模型 (DT,RF,GBDT) 在分类MPLC与IPM方面实现了高性能 (AUC 0.94-1.00) .
- 通过ML模型识别的MPLC与明显更长的无病生存期 (DFS) 有关.
结论:
- 集成分子特征的ML模型有效地区分初级肺癌和NSCLC转移.
- 这些模型提高了诊断的准确性,并支持临床决策,特别是在模两可的情况下.
- 这些发现强调了分子分析在完善NSCLC分类中的实用性.
