在乳腺癌诊断中用于血清基代谢的可解释机器学习:来自多目标特征选择驱动光GBM-SHAP模型的见解
Emek Guldogan1, Fatma Hilal Yagin2, Hasan Ucuzal1
1Department of Biostatistics, and Medical Informatics, Faculty of Medicine, Inonu University, 44280 Malatya, Turkey.
Medicina (Kaunas, Lithuania)
|June 27, 2025
概括
这项研究使用先进的代谢学和可解释的人工智能 (XAI) 确定了用于乳腺癌检测的新型血清代谢生物标志物. 这些发现提高了诊断的准确性,并提供了对疾病进展的生物学见解.
科学领域:
- 代谢学 代谢学 代谢学
- 机器学习 机器学习
- 生物标志物发现发现
背景情况:
- 乳腺癌是全球妇女死亡的主要原因.
- 乳腺癌的传统生物标志物缺乏敏感性和特异性,特别是在早期阶段.
- 代谢学和可解释的人工智能 (XAI) 为改善乳腺癌诊断提供了有希望的途径.
研究的目的:
- 识别和验证基于血清的代谢生物标志物用于乳腺癌检测.
- 通过先进的代谢分析和机器学习来提高诊断准确度.
- 利用夏普利添加式解释 (SHAP) 来实现模型解释性和生物洞察力.
主要方法:
- 用LC-TOFMS和GC-TOFMS分析了来自103名乳腺癌患者和31名对照患者的血清样本.
- 用多目标特征选择 (MOFS) 进行了强大的生物标志物发现.
- 使用SHAP分析的光梯度增强机 (LightGBM) 用于分类和代谢物重要性排名.
主要成果:
- 在乳腺癌检测中,LightGBM实现了86.6%的准确度,89.1%的灵敏度和84.2%的特异性.
- SHAP分析确定了2-氨基黄油酸,胆和甲酸作为关键的有影响力的代谢物.
- 代谢物失调与乳腺癌风险显著相关.
结论:
- 这项研究将SHAP可解释性与代谢学相结合,用于增强乳腺癌诊断.
- 鉴定的生物标志物提高了诊断准确度,并揭示了与乳腺癌相关的代谢失调.
- 将代谢学与XAI驱动的机器学习相结合,显示出临床采用的巨大潜力.
