代谢学基于分析的机器学习用于子宫内膜癌诊断:生物标志物发现和可解释的人工智能的整合
Fatma Hilal Yagin1,2, Abdulvahap Pinar3
1Department of Biostatistics, Faculty of Medicine, Malatya Turgut Özal University, Malatya, Türkiye.
Journal of clinical practice and research
|December 5, 2025
概括
这项研究使用机器学习和可解释的人工智能识别了用于检测子宫内膜癌 (EC) 的新型代谢生物标志物. 这些发现为妇科恶性瘤的非侵入性查和精确瘤学方法铺平了道路.
科学领域:
- 在瘤学瘤学.
- 代谢学 代谢学 代谢学
- 人工智能的人工智能
背景情况:
- 子宫内膜癌 (EC) 是全球最常见的妇科恶性瘤.
- 早期检测和准确诊断对于改善患者的治疗结果至关重要.
- 了解EC中的代谢变化是识别新生物标志物的关键.
研究的目的:
- 使用机器学习 (ML) 和可解释的人工智能 (XAI) 开发子宫内膜癌的预测模型.
- 通过代谢学数据分析,发现用于EC诊断的显著代谢生物标志物.
- 将代谢学与ML和XAI整合起来,以便在EC中更好地发现生物标志物.
主要方法:
- 使用质谱学分析来自191个EC病例和204个对照组的代谢学数据.
- 应用各种ML算法,包括随机森林,LightGBM和极端梯度提升.
- 利用夏普利添加剂扩张 (XAI) 识别关键贡献代谢物.
主要成果:
- 确定了25种具有统计学意义的代谢物,具有很大的效果大小,表明具有强大的区分能力.
- 代谢物与脂质失调,类固醇激素通路和氧化应激有关,反映了EC特有的代谢重编程.
- ML模型,特别是LightGBM,实现了高精度,SHAP分析确定了关键代谢物,如m/z=219.125和m/z=672.6961.
结论:
- 该研究提出了早期EC查的潜在非侵入性生物标志物.
- 这些发现突显了EC中的代谢异质性和多种omics方法的价值.
- 这项研究通过提供对EC病原和检测的新见解,推动了精密瘤学的发展.
