可解释的机器学习框架用于三阴性乳腺癌的分子分类
Biji C L1, Trupti Patel1, Devyani Charan1
1Vellore Institute of Technology, Vellore, Tamil Nadu, India.
Computer methods and programs in biomedicine
|March 3, 2026
概括
这项研究引入了一个AI框架,使用基因生物标志物对三阴性乳腺癌 (TNBC) 亚型进行分类. 人工智能识别了关键基因,有助于为TNBC患者提供个性化的治疗策略.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 人工智能在医学中的应用
背景情况:
- 三重阴性乳腺癌 (TNBC) 在其四种主要亚型中表现出不同的分子配置:基底类1 (BL1),基底类2 (BL2),介质类 (M) 和发光受体 (LAR).
- 准确的亚型确定对于有针对性的疗法和改善患者治疗结果至关重要.
研究的目的:
- 开发一个整合性的AI框架,结合机器学习和可解释的AI,用于TNBC亚型分类.
- 确定关键的基因生物标志物驱动亚型特定预测,并使生物标志物优先级.
主要方法:
- 从公共数据集 (GEO,GDC) 中分析了783个TNBC和非TNBC病例.
- 使用八种ML算法,开发一个用于基因特征识别和分类的模块框架.
- 选择随机森林作为最好的分类器 (准确率96%),并应用沙普利增量解释 (SHAP) 进行解释.
主要成果:
- 识别47种潜在的生物标志物,以区分四种TNBC亚型.
- 随机森林模型在分类TNBC亚型时实现了96%的测试准确性.
- 可解释的人工智能模块成功优先考虑了驱动子类型预测的关键枢纽基因.
结论:
- 这项研究确定了基因 (例如,CDC20,CDCA2,PIMREG,KIF2C,CENPW) 参与无素-蛋白酶体信号传递和微管动力学.
- 这些发现支持开发基于生物标志物的疗法和TNBC的精准医学方法.
- 拟议的框架提供了可解释性,这对于TNBC的临床翻译和生物标志物发现至关重要.
