基于深度神经网络的 Glioblastoma Multiforme 复发风险预测
Disha Sushant Wankhede1, Aniket K Shahade2, Priyanka V Deshmukh2
1Vishwkarma Institute of Technology, Pune, Maharashtra, 411037, India. disha.wankhede@vit.edu.
Journal of molecular neuroscience : MN
|October 2, 2025
概括
这项研究开发了一个深度神经网络 (DNN) 模型,使用混合差异进化神经网络 (HDE-NN) 框架来预测多种质母细胞瘤 (GBM) 复发风险. 人工智能模型实现了94%的准确性,显著改善了个性化治疗的预后评估.
科学领域:
- 在瘤学中使用人工智能
- 计算神经科学是一种神经科学.
- 基因组数据分析 基因组数据分析
背景情况:
- 多形质母细胞瘤 (GBM) 的复发在治疗规划中构成了重大挑战.
- 准确预测GBM复发对于优化个性化治疗策略和改善患者治疗结果至关重要.
- 现有的预测模型往往缺乏对晚期疾病阶段所需的精度.
研究的目的:
- 开发和评估深度神经网络 (DNN) 模型,以准确预测多种质母细胞瘤 (GBM) 复发风险.
- 通过优越的预后评估,增强个性化的治疗策略,改善患者的治疗结果.
- 实施混合差异进化神经网络 (HDE-NN) 框架,以优化DNN,预测GBM复发.
主要方法:
- 使用混合差异演化神经网络 (HDE-NN) 框架实现和优化DNN架构.
- 在780名来自TCGA和机构存储库的GBM患者的多式数据集 (基因组,成像,临床数据) 上训练并验证了模型.
- 与传统机器学习模型 (SVM,RF,标准DNN) 进行基准性能比较,使用准确度,精度,回忆,F1分数和AUC-ROC等指标.
主要成果:
- 优化HDE的DNN实现了高性能:94%的准确性,92%的精度,90%的回忆,91%的F1得分和0.96的AUC-ROC.
- 与基线传统机器学习模型相比,表现出显著的性能改善 (6-12%).
- 十倍交叉验证证实了模型预测的统计稳定性和可靠性.
结论:
- 为GBM复发预测引入了一种高性能和可泛化的深度学习框架.
- 人工智能模型整合了多个来源的临床和基因组数据,显示出比传统方法更好的预测能力.
- 研究结果支持将人工智能驱动的工具整合到GBM护理工作流程中,以改善预后评估和个性化治疗干预.
