完善基于机器学习的诊断模型的可行性,利用肠道微生物群分析进行结肠直肠癌查
Shintaro Okumura1,2, Yusuke Konishi1, Taku Kitano1,2
1Research Institute for Microbial Diseases (RIMD), Osaka University, Suita, Japan.
Cancer medicine
|July 3, 2025
概括
一个机器学习的肠道微生物群模型 (ml-GMM) 显示了结直肠癌 (CRC) 检测的可重现的准确性. 将ml-GMM与便免疫化学测试 (FIT) 结合起来,可以提高CRC检测率,而不是单独使用FIT.
科学领域:
- 微生物组研究的研究.
- 癌症诊断 癌症诊断 癌症诊断
- 机器学习应用程序 机器学习应用程序
背景情况:
- 一个新的结直肠癌 (CRC) 诊断模型以前使用机器学习和肠道微生物群分析开发.
- 本研究评估了这种肠道微生物群模型与便免疫化学测试 (FIT) 的可重现性和比较诊断准确性.
- 还研究了肠道微生物群模型的实际应用潜力.
研究的目的:
- 评估基于机器学习的肠道微生物群结直肠癌 (CRC) 诊断模型的可重现性.
- 将肠道微生物群模型的诊断准确度与便免疫化学测试 (FIT) 进行比较.
- 探索结合肠道微生物群模型与FIT用于增强CRC检测的潜在协同效应.
主要方法:
- 从CRC患者和经过FIT的健康个人 (HI) 收集了便样本.
- 用标准化管道进行了肠道微生物群分析.
- 使用基于机器学习的肠道微生物群模型 (ml-GMM) 和FIT进行诊断,并保持一致的截止值.
主要成果:
- 基于机器学习的肠道微生物群模型 (ml-GMM) 证明了可重复的诊断准确性.
- 在81名CRC患者中,ml-GMM的真实阳性率为53.1%和FIT的86.4%;虚假阳性率为ml-GMM的7.3%和245HI的2.4%.
- 结合ml-GMM和FIT,在所有阶段的CRC患者中达到91.4%的阳性率,在HI中达到9.4%的阳性率,表明有协同效应.
结论:
- 基于机器学习的肠道微生物群模型 (ml-GMM) 对结直肠癌的诊断准确性是可重现的.
- 将ml-GMM与FIT结合起来,显示了检测更多结直肠癌患者的潜力,而不是单独检测FIT.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
201
15:49Flexible Colonoscopy in Mice to Evaluate the Severity of Colitis and Colorectal Tumors Using a Validated Endoscopic Scoring System
Published on: October 16, 2013
32.0K
