使用机器学习开发和验证细胞癌的血尿代谢诊断模型

科学领域:

• 在瘤学瘤学.
• 代谢学 代谢学 代谢学
• 生物标志物发现发现

背景情况:

• 细胞癌 (RCC) 的诊断是具有挑战性的,因为检测迟到了,缺乏可靠的生物标志物.
• 早期诊断癌对于有效治疗和改善患者的治疗结果至关重要.

研究的目的:

• 通过整合血和尿液代谢学来开发一种强大的,非侵入性的RCC诊断模型.
• 识别RCC特定的代谢特征,以改善早期检测.

主要方法:

• 使用多平台质谱仪分析了来自RCC患者和对照者的482个血和434个尿液样本.
• 使用发现和验证队伍开发和验证诊断模型.
• 机器学习整合了血和尿液代谢学数据.

主要成果:

• 与单流体模型相比,一个集成的血-尿液代谢模型实现了更高的诊断准确性 (AUC=0.88).
• 该模型在无症状人群中表现出色 (AUC=0.94),对其他癌症具有很高的特异性.
• 鉴定出甘氨酸,氨酸和氨酸代谢是关键的失调途径.

结论:

• 将血和尿液代谢与机器学习相结合,为RCC提供了一个强大的,非侵入性的诊断模型.
• 组合模型显示了早期检测,临床应用和治疗目标探索的潜力.
• 代谢特征,特别是在甘氨酸-氨酸-氨酸代谢中,为RCC提供了新的见解.