预测PD-L1和CD68在清细胞细胞癌与绿色学习中的PD-L1和CD68

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 清细胞细胞癌 (ccRCC) 是最常见的癌.
• 准确预测瘤免疫微环境 (TIME) 测量对于ccRCC治疗至关重要.
• 来自计算机断层扫描 (CT) 成像的放射学提供了一种非侵入性的方法来评估 TIME.

研究的目的:

• 提出一个绿色学习 (GL) 框架,用于在ccRCC中从CT扫描中接近基于组织的生物标志物.
• 专注于使用放射性特征预测PD-L1表达和CD68+瘤相关巨细胞 (TAMs).
• 开发一种可扩展,高效和可解释的方法,用于非侵入性生物标志物近似测定.

主要方法:

• 从CT扫描中提取放射性特征.
• 删除冗余和使用区分特征测试 (DFT),相关特征测试 (RFT) 和最小方程正常转换 (LNT) 的监督特征选择.
• 用GL模型应用于回归 (PD-L1) 和二进制分类 (TAM) 任务.

主要成果:

• 对于PD-L1表达,GL模型实现了0.0041的5倍交叉验证的平均平方误差 (MSE) 和0.0346.0的平均绝对误差 (MAE).
• 对于TAM群体 (CD68+/PanCK+),GL模型达到10倍的交叉验证的接收器操作特征下的面积 (AUROC) 为0.85,超过了0.81.8的基准.
• 该模型使用了10个LNT衍生特征用于TAM分类.

结论:

• 绿色学习 (GL) 框架显示了ccRCC的放射性分析的巨大潜力.
• 这种方法使得PD-L1和TAMs等关键生物标志物的非侵入性近似能够实现.
• 在ccRCC中,GL为推进精密瘤学提供了一个可扩展,高效和可解释的解决方案.