在细胞癌中预测miR-15a表达的机器学习辅助放射基因分析

科学领域:

• 癌症学
• 放射学
• 基因组学
• 机器学习

背景情况:

• 细胞癌 (RCC) 的结果有显著差异.
• 微RNA-15a (miR-15a) 是RCC的预后生物标志物,影响血管生成,细胞亡和扩散.
• 放射基因组学将成像特征与分子数据相结合,用于非侵入性生物标志物预测.

研究的目的:

• 开发一种机器学习辅助的放射遗传学模型,用于预测miR-15a在RCC中的表达.
• 将放射性特征与miR-15a表达水平相关联.
• 根据miR-15a表达和攻击性对RCC瘤进行分层.

主要方法:

• 64名手术前CT/ MRI患者的回顾性分析.
• 评估放射性特征 (瘤大小,死亡,增强).
• 通过qPCR量化miR-15a表达;使用多项式回归和随机森林模型进行预测;使用等级聚类和K-平均分析进行表型分层.

主要成果:

• 瘤大小是miR- 15a表达的最强预测因子 (调整R2=0. 8281,p<0. 001).
• 高的miR- 15a与缩和结节增强相关;低水平与囊性成分和脂肪相关.
• 随机森林模型解释了miR- 15a表达差异的65. 8% (R2=0. 658);分类器实现了AUC 1. 0;精度 1. 0;回忆率 0. 9;F1得分 0. 95.

结论:

• 基于机器学习的放射遗传学为预测RCC中的miR-15a表达提供了强大的非侵入性方法.
• 这种方法增强了瘤分层,并支持个性化的RCC管理.
• 整合放射学和分子数据对于推进瘤学精准医学至关重要.