通过扩大基于DNA甲基化的分类来推进肉瘤诊断

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:

• 肉瘤带来了重大诊断挑战,需要与其他介质细胞瘤进行区分,以进行适当的临床治疗.
• 之前的工作建立了一个基于机器学习的肉瘤分类器,使用DNA甲基化数据.
• 这项研究在该分类器的规模和精度方面取得了重大进展.

研究的目的:

• 为了呈现一个显著的先进的肉瘤分类器,增加了规模和精度.
• 为了提高中瘤的诊断准确性和信心.
• 为了促进对沙尔科马的分子诊断工具的临床实施.

主要方法:

• 对DNA甲基化概况和组织学数据的分析,这些数据来自于一个大型的,多机构的介质瘤队列.
• 开发更新的机器学习分类器 (v13.1),对116个瘤子类和对照组中的4377个甲基化概况进行训练.
• 使用五倍嵌套交叉验证和四个独立队列 (1547个瘤) 的严格验证.

主要成果:

• 肉瘤分类器v13.1实现了98%的类级准确性和0.017的Brier分数.
• 在73%的验证病例中获得了预测,其中91%匹配了原始组织病理学诊断.
• 分类器提供了明确的分子诊断或重新分类,其中6%的病例具有模两可的组织学.

结论:

• 增强的肉瘤分类器显示了增加的诊断预测和改善了与组织学评估的一致性.
• 预计这一进步将促进该工具用于诊断间瘤的临床采用.
• 更新的分类器代表了在sarcomas.com的分子诊断中迈出的重要一步.