使用机器学习分类器预测乳腺癌患者的肺转移

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物标志物发现发现

背景情况:

• 乳腺癌是女性最常见的癌症,肺转移表明预后不佳.
• 准确的生物标志物对于早期检测和改善乳腺癌患者的临床决策至关重要.
• 识别患有肺转移高风险的患者对于及时干预至关重要.

研究的目的:

• 开发和验证基于基因表达的风险特征,用于预测乳腺癌中的肺转移.
• 确定一组能够可靠预测肺转移风险的基因组.

主要方法:

• 分析了来自初级乳腺癌患者的微阵列数据,并对肺转移结果进行了随访.
• 使用高通量选,Venn图分析和最小绝对收缩和选择操作员 (LASSO) 回归.
• 通过逻辑回归构建了一个10基因的风险特征,并在独立的数据集中验证.

主要成果:

• 10个基因的风险特征 (包括CDK19,GLUD1,GTPBP4,HLCS,HYI,KCND3,MAP2K1,NMUR1,PRKD3,SLC16A3) 显示出强大的预测性能 (在训练/验证中AUC>0.87).
• 这种特征对一个独立的数据集进行了概括 (METABRIC,AUC = 0.706) 并保留了早期疾病的预测价值.
• 高风险得分与较短的无肺转移存活率,无复发存活率和整体存活率相关.

结论:

• 开发的10基因风险特征准确地识别了患有肺转移风险的乳腺癌患者.
• 这种生物标志物可以更好地评估风险,并促进定制的治疗策略,以改善患者管理.
• 签名提供了独立的预测信息,超出了传统的临床变量.