基于LightGBM机器学习算法的胆管癌诊断模型的建立和验证

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.

背景情况:

• 胆管癌 (CCA) 具有显著的死亡风险,通常是由于诊断延迟.
• 确定可靠的生物标志物对于早期发现CCA和有效的治疗策略至关重要.

研究的目的:

• 利用机器学习算法开发一种最佳的胆管癌 (CCA) 诊断模型.
• 识别与CCA相关的关键差异表达基因 (DEG),以获得诊断和治疗见解.

主要方法:

• 从CCA瘤和相邻的非瘤组织中分析基因表达特征.
• 应用11个机器学习算法,包括WGCNA,F-test,特征重要性和拉索回归,以识别关键的DEG (APOF,DIO1,OTC).
• 诊断模型的构建和评估,通过ROC曲线分析确定LightGBM是最佳执行者.

主要成果:

• 最优的LightGBM模型实现了0.84的AUC,精度,精度和回忆分别为0.80,0.83和0.90.
• 关键基因APOF,DIO1和OTC被确定在CCA组织中显著下调.
• 分析揭示了免疫细胞透失衡,并确定CCL16是参与CCA免疫调节的化学激素.

结论:

• 开发的LightGBM模型表明,对准确的CCA诊断具有很高的潜力.
• 已识别的基因 (APOF,DIO1,OTC) 和化学激素 (CCL16) 为CCA诊断和免疫治疗提供了新的标.
• 这项研究为推进CCA诊断工具和治疗方法提供了基础.