一个多模式转移学习框架,以减少前列腺腺癌的健康差异

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 健康差距 研究 研究 研究 研究

背景情况:

• 前列腺腺癌 (PRAD) 不成比例地影响美国黑人男性,与非西班牙裔白人男性相比,发病率和死亡率更高.
• 现有的PRAD机器学习 (ML) 方法面临着大数据集要求和整合多omics数据的挑战,这限制了它们在减少健康差异方面的有效性.
• 当前的ML方法通常依赖于单个omics数据,忽视了整合多个omics信息的潜力,以提高准确性和减少差异.

研究的目的:

• 开发和评估MOTLPRAD,这是一个新的多奥米克集成转移学习框架,旨在减少前列腺癌 (PRAD) 的健康差异.
• 调查整合多omics数据 (mRNA,miRNA,甲基化) 的有效性,以改善PRAD预后和减轻种族差异.
• 为了比较MOTLPRAD与传统转移学习和其他计算模型在解决PRAD健康差异方面的表现.

主要方法:

• 开发了MOTLPRAD,这是一个结合多模组合方法 (皮尔森相关系数,变异自动编码器) 的框架,用于OMIC数据集成.
• 雇员转移学习与域调整,对多数群体进行预培训,对少数群体 (黑人美国人) 进行微调,以解决数据不平衡.
• 利用合成少数群体过量采样技术 (SMOTE) 来增加少数群体的样本,并提高模型在减少健康差异方面的性能.
• 使用来自癌症基因组图谱 (TCGA) 数据库的多omics数据验证了该模型,用于PRAD无进展间隔 (PFI) 预测.

主要成果:

• 在减少PRAD无进展间隔 (PFI) 预后的种族差异方面,MOTLPRAD显著超过了传统的转移学习和其他计算模型.
• 与使用单个omics数据相比,整合多omics数据在减轻健康差异方面取得了显著的改善.
• 拟议的框架通过SMOTE有效地解决了数据不平衡问题,进一步提高了其减少差异的能力.

结论:

• MOTLPRAD提供了一种新且有效的框架,用于系统地缓解PRAD中的健康差异,特别是代表性不足的群体.
• 整合多omics数据对于提高ML模型在解决癌症预后种族差异方面的性能至关重要.
• 这种方法为改善PRAD诊断,预后和所有种族群体的治疗结果提供了一个有希望的方向.