使用Boruta和Lasso机器学习算法,识别与乳腺癌远程转移相关的最佳生物标志物
Jia-Ning Qin1, Wen-Bin Dai2, Wen-Hai Zhang3
1Department of Radiation Oncology, The First Affiliated Hospital of Guangxi Medical University, No.6 Shuangyong Road, Nanning, 530000, Guangxi, China.
BMC cancer
|August 14, 2025
概括
五个关键生物标志物,包括晚期肺癌炎症指数 (ALI) 和全身炎症反应指数 (SIRI),有效预测乳腺癌患者的远程转移风险. 这些指标有助于个性化治疗和改善结果.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 生物标志物发现发现
背景情况:
- 远程转移显著影响乳腺癌患者的治疗结果.
- 确定可靠的转移风险生物标志物对于有效的治疗策略至关重要.
研究的目的:
- 确定乳腺癌中远程转移的最佳营养和炎症生物标志物.
- 为了利用机器学习算法 (Boruta和LASSO) 进行生物标志物选择.
主要方法:
- 使用Boruta和LASSO算法进行初始查和生物标志物的优化.
- 采用多变量逻辑回归和受限立方线函数来评估风险.
- 使用接收器操作特征 (ROC) 曲线分析评估预测性能.
主要成果:
- 确定了五个关键指标:ALI,SIRI,MLR,AGR和GNRI.
- 增加的SIRI和MLR与增加的远程转移风险相关.
- 更高的ALI,AGR和GNRI与降低风险相关,AUC约为0.65.
结论:
- ALI,SIRI,MLR,AGR和GNRI作为乳腺癌中远程转移风险的有效生物标志物.
- 这些生物标志物可以增强临床风险分层和个性化治疗计划.
- 将其纳入临床实践可能会改善患者的治疗结果.


