预测宫癌患者手术前淋巴结状况:开发可解释的机器学习模型并支持生物可信性
Hui Shen1, Yuting Jiang1, Lihe Zhang1
1Department of Ultrasonic Medicine, Fetal Medical Centre, the First Affiliated Hospital of Sun Yat-Sen University, Guangzhou, Guangdong, China.
Frontiers in immunology
|October 27, 2025
概括
这项研究确定单细胞计数是宫癌中淋巴结转移的关键预测因素. 机器学习模型,特别是NNET,准确地预测转移,帮助临床决策.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 淋巴结转移是宫癌的关键预后因素,影响治疗策略.
- 精确预测淋巴结转移对于有效的患者管理至关重要.
研究的目的:
- 开发和验证用于预测宫癌中淋巴结转移的机器学习模型.
- 通过测序数据探索淋巴结转移的生物学基础.
主要方法:
- 分析了宫癌患者的回顾性和前性队列.
- 机器学习模型使用NNET开发和验证,并使用Shapley附加解释解释性.
- 用单细胞和散装RNA测序来研究单细胞的作用.
主要成果:
- 单细胞计数成为淋巴结转移的重要危险因素 (OR=2.28,p < 0.05).
- 测序数据揭示了晚期单细胞存在的增加及其与预后的关联.
- 该NNET模型显示出强大的预测性能 (预期AUC:0.76).
结论:
- 单细胞计数是宫癌中淋巴结转移的显著预测因素.
- 可解释的机器学习模型,如NNET,增强了宫癌患者的临床决策.
- 这项研究强调了将测序数据与机器学习集成为癌症研究的实用性.
