基于机器学习的中等风险急性髓性白血病预后层次模型的构建

科学领域:

• 血液学 血液学 血液学
• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 中级风险急性髓性白血病 (IR-AML) 对准确的预后分层提出了挑战.
• 现有的预后模型可能无法完全捕捉IR-AML的复杂性.
• 整合各种临床和基因组数据对于完善患者风险评估至关重要.

研究的目的:

• 开发和验证机器学习模型,以改善IR-AML的预后分层.
• 确定预测IR-AML生存结果的关键临床和基因组特征.
• 在IR-AML中为个性化风险评估创建一个可解释的框架.

主要方法:

• 一个双队列研究设计,利用一个开发队列 (北京清华长春医院) 和一个外部验证队列 (癌症基因组图谱 - TCGA).
• 基于树的机器学习模型的开发和内部验证,包括随机森林,梯度增强决策树 (GBDT) 和XGBoost,使用分层五倍交叉验证.
• 对人口统计数据,突变概况和生存结果的分析,对特征的重要性应用了模型不可知解释 (沙普利的附加解释).

主要成果:

• 基于树的模型在内部交叉验证中表现出强大的区分能力,最佳的GBDT模型实现了0.98.98的AUROC.
• 在外部TCGA队列中,GBDT模型实现了0.73的AUROC,表明了良好的通用性.
• 通过模型不可知解释识别的关键预测因素包括白细胞计数,年龄,移植状态和TET2突变.

结论:

• 可解释的机器学习框架整合了可访问的临床和基因组变量,有效地区分了IR-AML中的风险.
• 开发的模型提供了定量风险分层,支持个性化患者评估.
• 这种方法可以为IR-AML的预后分层策略的改进提供信息.