生存机器学习方法改善了对毛囊和边缘区域淋巴瘤组织学转变的预测
Tong-Yoon Kim1,2, Tae-Jung Kim3, Eun Ji Han4
1Department of Hematology, Yeouido St. Mary's Hospital, College of Medicine, The Catholic University of Korea, Seoul 07345, Republic of Korea.
Cancers
|September 27, 2025
概括
机器学习模型准确地预测毛囊淋巴瘤和边缘区域淋巴瘤中的组织学转变风险. 整合下一代测序数据进一步提高了对这些惰性B细胞淋巴瘤的预测准确度.
科学领域:
- 血液学 血液学 血液学
- 在瘤学瘤学.
- 计算生物学 计算生物学
背景情况:
- 毛囊性淋巴瘤 (FL) 和边缘区域淋巴瘤 (MZL) 是惰的B细胞淋巴瘤,有转变为攻击性亚型的风险.
- 由于数据复杂性和类不平衡,预测组织学转换 (HT) 是一个挑战.
- 现有的预后指数并没有专门针对HT风险.
研究的目的:
- 开发和验证机器学习模型,用于在FL和MZL中预测HT.
- 比较基于生存和传统分类模型的性能.
- 研究下一代测序 (NGS) 数据对HT预测的影响.
主要方法:
- 使用多中心回顾式数据集 (n=1068) 进行模型开发.
- 对比了各种生存模型 (例如XGBoost-Cox,Lasso-Cox) 和分类模型 (例如,物流回归,随机森林).
- 在一个独立的测试集 (n=92) 上验证了表现最佳的模型,并纳入了NGS数据.
主要成果:
- 生存模型在预测HT方面表现优于传统分类器.
- XGBoost-Cox表现出最高的预测性能 (准确率为85.3%,AUC为0.795).
- NGS数据集成提高了模型的准确性和特异性,识别了与HT风险相关的TP53,BLM和RAD50等关键基因.
结论:
- 基于生存的机器学习模型为HT风险分层提供了重要的临床价值.
- 与NGS数据的整合可以对FL和MZL患者进行个性化风险评估.
- 这种方法可以帮助临床决策管理这些淋巴瘤.
