机器学习集成可解释的人工智能方法用于预测儿科瘤综合征中的类固醇耐药性:一种代谢生物标志物发现研究
Fatma Hilal Yagin1,2, Feyza Inceoglu1, Cemil Colak3
1Department of Biostatistics, Faculty of Medicine, Malatya Turgut Ozal University, 44280 Malatya, Türkiye.
Pharmaceuticals (Basel, Switzerland)
|November 27, 2025
概括
机器学习模型可以使用代谢数据预测类固醇耐药性性综合征 (SRNS). 像葡萄糖和肌酸水平这样的关键生物标志物有助于早期识别需要替代治疗的患者.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 代谢学 代谢学 代谢学
- 机器学习 机器学习
背景情况:
- 性综合征 (NS) 是一种异质的球性疾病,具有显著的治疗耐药性.
- 类固醇耐药性性综合征 (SRNS) 与类固醇敏感性性综合征 (SSNS) 相比,导致更高的发病率和功能下降.
- 目前对SRNS的治疗方法有限,需要早期识别和替代治疗策略.
研究的目的:
- 开发一个与可解释的人工智能 (XAI) 集成的机器学习 (ML) 模型,以区分SRNS与SSNS.
- 确定主要的代谢生物标志物,预测NS中的类固醇耐药性.
- 提高预测SRNS的临床透明度和可解释性.
主要方法:
- 在41名NS患者 (27名SSNS,14名SRNS) 的血样本上进行了质子核磁共振 (1H NMR) 代谢.
- ML模型 (XGBoost,LightGBM,AdaBoost,Random Forest) 被训练并使用预处理的代谢数据的交叉验证进行评估.
- 使用XAI技术 (SHAP,LIME) 来解释特征的重要性和个体患者层面的解释.
主要成果:
- 随机森林模型实现了最高的性能:准确度 (0.87 ± 0.12),灵敏度 (0.90 ± 0.18) 和AUC (0.92 ± 0.09).
- 发现的关键预测性代谢生物标志物包括葡萄糖,肌酸,1-甲基胺,同氨酸和.
- 较低的葡萄糖和肌酸水平与SRNS风险增加有关,而较高的propylene glycol和carnitine度表明SRNS的可能性更高.
结论:
- 该研究成功开发了一种准确和可解释的ML模型,用于使用代谢特征预测SRNS.
- 候选代谢生物标志物被确定用于SRNS的早期预测,有助于治疗决策.
- 这些发现阐明了脏病综合征中类固醇耐药性的潜在分子机制.
