在口腔癌中分子生物标记物和机器学习:系统性审查和元分析
Carlos M Ardila1,2, Anny Marcela Vivares-Builes2,3, Eliana Pineda-Vélez2,3
1Department of Periodontics, Saveetha Dental College and Hospitals, Saveetha Institute of Medical and Technical Sciences, Saveetha University, Chennai, India.
Oral diseases
|October 13, 2025
概括
机器学习 (ML) 模型对诊断和预测口腔状细胞癌 (OSCC) 的结果显示出希望. 整合分子和成像生物标志物,特别是通过多式联络方法,可以提高诊断和预后准确性.
科学领域:
- 发现生物标志物的发现.
- 机器学习在瘤学中的应用.
- 口腔癌的研究研究.
背景情况:
- 口腔状细胞癌 (OSCC) 存在诊断和预后方面的挑战.
- 需要新的生物标志物和先进的分析方法来改善患者的治疗结果.
- 机器学习 (ML) 提供了分析复杂生物标记数据的潜力.
研究的目的:
- 在OSCC中系统地审查和综合基于ML的生物标志物模型的诊断和预后性能.
- 通过功能性转合成整合生物见解.
- 确定与OSCC预测相关的关键生物标志物和生物过程.
主要方法:
- 按照PRISMA 2020指南进行系统审查和元分析.
- 全面的文献搜索到2025年7月.
- 包括使用ML算法对OSCC患者分子或成像生物标志物的研究.
- 通过元分析或基于研究可比性的叙事总结进行数据合成.
主要成果:
- 分析了包括4408名患者在内的25项研究.
- 观察到唾液DNA甲基化,代谢学和FTIR成像的高诊断性能.
- 使用免疫特征和多模式数据 (成像,代谢学) 的预后模型显示出强的性能.
- 功能性转合成确定了关键的生物过程:代谢重编程,免疫重塑,微生物组失调和矩阵破坏.
结论:
- 使用分子和成像生物标志物的ML模型显示了OSCC诊断和预后的巨大潜力.
- 多模式生物标志物集成特别提高了模型性能.
- 这些发现支持开发用于OSCC风险分层和患者管理的先进工具.
