使用多模模式机器学习解码无性免疫学,揭示了卵巢癌的预后性和耐化学药性决定因素

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 生物信息学是一种生物信息学.

背景情况:

• 高度血清性卵巢癌 (HGSOC) 的恶性瘤含有影响预后和治疗反应的免疫细胞.
• 了解阿斯内这些免疫程序对于改善患者的结果至关重要.

研究的目的:

• 为了确定与临床变量相结合的性T细胞表型是否可以提高总生存率 (OS),无进展生存率 (PFS),无进展间隔 (PFI) 和基于的药物化疗耐药性 (P-DCR) 的预测.

主要方法:

• 87名患有FIGO III/IV HGSOC.的患者的回顾性分析.
• 的多参数流细胞计量,以量化T细胞子集.
• 严格的嵌套交叉验证和机器学习模型 (随机生存森林,DeepSurv,随机森林分类器) 用于预测和解释 (SHAP).

主要成果:

• 结合的临床和形特征显著超过单一来源特征,随机生存森林 (RSF) 显示出最佳表现.
• RSF的C指数为OS为0.72,PFS为0.70,PFI为0.74. RSF的C指数为OS为0.72,PFS为0.70,PFI为0.74.
• P-DCR分类器的AUC为0.69,在整合两种数据类型时显示出更好的预测准确性.

结论:

• 将性免疫类型与临床因素相结合,为改善HGSOC风险预测提供了一种强有力的方法.
• 炎居住的T细胞状态为生存和白金反应提供了有价值的预后信息,支持它们在患者分层和指导免疫调节策略中的使用.