对患者临床生物标志物的机器学习辅助分析,以改善卵巢癌诊断
Célia Sahli1, Tiffany Thanhtruc Pham1, Kenry1,2,3
1Department of Pharmacology and Toxicology, R. Ken Coit College of Pharmacy, University of Arizona, Tucson, Arizona 85721, United States.
Precision chemistry
|September 26, 2025
概括
机器学习增强了使用血液生物标志物的早期卵巢癌检测. 诸如HE4,CA125,年龄和更年期状况等关键因素有助于区分癌症和良性瘤.
科学领域:
- 在瘤学瘤学.
- 生物标志物 生物标志物
- 机器学习 机器学习
背景情况:
- 缺乏准确的早期卵巢癌检测方法,阻碍了诊断和管理.
- 机器学习 (ML) 与基于生物标志物的血液测试相结合,有望提高卵巢癌检测灵敏度和选择性.
研究的目的:
- 应用ML和统计方法来区分癌症和良性卵巢瘤.
- 确定改善卵巢癌诊断的关键临床和基于血液的特征.
主要方法:
- 从300多名卵巢瘤患者的临床数据分析.
- 利用了47个从血液中获得的特征和各种ML算法来进行瘤分类.
- 采用特征选择技术来确定关键诊断指标.
主要成果:
- HE4,CA125,更年期状态和年龄被确定为区分瘤类型的关键特征.
- 年龄在绝经前患者中表现出显著的歧视力,在绝经后患者中表现出较小的歧视力.
- 基于选定的特征,ML模型有效地区分了癌症和良性卵巢瘤.
结论:
- 对患者更年期状态,ML算法和特征选择的系统考虑对于精确的卵巢癌查至关重要.
- 这项研究提供了对利用定量方法进行晚期卵巢癌诊断的见解.
- 通过ML提高诊断准确度,可以在卵巢癌管理中带来更好的患者结果.
