相关实验视频
Updated: Jan 10, 2026
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.4K
免疫类型和基于机器学习的分层揭示了贝赫塞特病的预后性免疫特征
Yiyuan Ao1, Lu Li2, Jinjing Liu1
1Department of Rheumatology and Clinical Immunology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences & Peking Union Medical College; National Clinical Research Center for Dermatologic and Immunologic Diseases, Ministry of Science & Technology, Beijing, 100730, China.
Rheumatology (Oxford, England)
|November 22, 2025
概括
这项研究描述了贝赫塞特免疫细胞子集的特征.
科学领域:
- 免疫学 免疫学 免疫学
- 流动细胞计量 (Flow Cytometry) 是一种流动细胞计.
- 机器学习在医学中的应用
背景情况:
- 贝塞特病 (BD) 涉及复杂的免疫失调.
- 了解BD中的外周血液淋巴细胞子集对于诊断和治疗至关重要.
- 识别预后生物标志物可以帮助预测疾病复发.
研究的目的:
- 在以前没有接受过治疗的贝塞特病患者中全面描述周围血液淋巴细胞子集.
- 根据免疫学概况,将BD患者分为不同的亚组.
- 为了确定可靠的预后生物标志物疾病复发.
主要方法:
- 流细胞测量用于71名BD患者和71名健康对照者的免疫型11个免疫细胞子集.
- 机器学习算法 (XGBoost,PLS-DA,k-means集群) 整合了免疫类型和临床数据.
- 卡普兰-梅尔分析,日志级别测试和考克斯回归评估了没有复发的生存率和复发的预测因素.
主要成果:
- 与健康对照组相比,BD患者表现出T细胞主导的免疫失调.
- 机器学习确定了两个BD子组;集群2显示过度激活的T细胞,升高的炎症标志物和更高的复发风险.
- 高hsCRP和CD8+DR+T细胞是复发的独立预测因素,综合得分显示出强大的预测性表现 (AUC=0.815).
结论:
- 建立了以前没有接受过治疗的BD患者的详细免疫类型特征.
- 机器学习有效地整合了免疫细胞数据和临床参数,以早期识别高风险子组.
- 这种方法支持BD个性化治疗策略,通过允许早期风险分层.
