机器学习框架用于使用血脂组学和代谢组学进行卵巢癌诊断
Alisa Tokareva1, Mariia Iurova1, Natalia Starodubtseva1
1V.I. Kulakov National Medical Research Center for Obstetrics, Gynecology and Perinatology, Ministry of Healthcare of Russian Federation, 117997 Moscow, Russia.
International journal of molecular sciences
|July 29, 2025
概括
分析血代谢物的机器学习模型显示了早期卵巢癌 (OC) 检测的前景. 这种多主题的方法准确地将OC与良性条件和控制区分开来.
科学领域:
- 妇科瘤学 妇科瘤学
- 代谢学 代谢学 代谢学
- 机器学习 机器学习
背景情况:
- 卵巢癌 (OC) 是一种主要的妇科恶性瘤,具有明显的代谢变化.
- 液体活检提供了通过代谢分析进行早期OC检测的潜力.
研究的目的:
- 开发和验证用于使用血代谢学数据检测OC的机器学习管道.
- 确定最佳的生物标志物组合和机器学习模型,以区分OC与良性和对照样本.
主要方法:
- 综合性脂组学 (HPLC-MS) 和基于NMR的新陈代谢学在来自229名受试者的血样本上 (103名OC患者,107名良性患者,19名对照).
- 系统评估特征选择方法 (曼-惠特尼,克鲁斯卡尔-瓦利斯,SVM-RFE) 和机器学习架构 (CNN,XGBoost).
主要成果:
- 一个CNN模型在区分OC和良性病例方面取得了81%的准确性.
- 使用SVM-RFE的XGBoost实现了96%的准确性,将良性与对照样本区分开来.
- 使用一对一的CNN模型,多类分类的准确率高达78%.
结论:
- 机器学习,特别是深度学习和组合方法,显示了定制OC诊断应用的巨大潜力.
- 这项研究为在妇科瘤学中发现多种omics生物标志物的方法框架.
- 结果提供了对OC病理生理学的生物学见解,支持综合方法.
