关于验证omics预测模型的建议:来自肺癌RNA生物标志物研究的见解

科学领域:

• 生物标志物的发现和验证.
• 计算生物学和生物信息学
• 瘤学和癌症研究.

背景情况:

• 外部验证对于医学研究中预测模型的概括性至关重要.
• 验证中的差异来自于队列差异,数据处理和过度匹配.
• 这项研究探讨了使用小RNA生物标志物验证早期肺癌检测模型的挑战.

研究的目的:

• 调查肺癌早期检测预测模型的外部验证方面的挑战.
• 将验证挑战与具体结果联系起来,并提供可行的建议.
• 提高基于omics的预测模型的可靠性和临床适用性.

主要方法:

• 在JanusRNA队列中开发的XGBoost预测模型在HUNT和NOWAC队列中得到了验证.
• 采用数据协调策略来解决样本类型和处理中的差异.
• 观察到RNA丰度,库编制和组织学分类的差异.

主要成果:

• 验证显示,由于队列异质性,性能显著下降,AUC值从0.62-0.76降至0.50-0.66.
• 与JanusRNA队列 (血清) 相比,在NOWAC队列 (血样本,仅限女性) 中的模型的准确性较低.
• 队列特征和样本类型显著影响了预测准确性.

结论:

• 为基于omics的预测模型的强有力的外部验证提出了七项建议.
• 关键建议包括协调数据处理,重新评估过拟合,评估临床适用性.
• 解决实际的验证问题提高了基于生物标志物的癌症查预测模型的可靠性.