标志物筛选神器 | 轻松解读综合临床数据，助力精准医学
2019-10-25
中科新生命
2411【标志物筛选神器】上期回顾：“机器学习”果然是照妖镜：预测皮肤真实年龄
背景介绍
上皮性卵巢癌（EOC）至少可分为五种不同的类型：高级别浆液性癌（HGSC）、子宫内膜样癌、透明细胞癌、粘液性癌和低级别浆液性癌（LGSC）。尽管需要组织类型特异性和/或阶段依赖性治疗方案，但大多数EOC患者仍采用传统的“一刀切”手术干预和化疗方法。为了选择更有效的治疗复杂表型EOC的方法，在初始干预前确定能够准确定义患者特征的分层因素是非常重要的。
一些研究表明，结合生物标志物和多种临床指标可以提高诊断的准确性。但是临床医生熟悉的常用统计方法并不适合处理复杂的信息。那么，怎么才能从具有多个输入变量的大型数据集中提取有意义的信息呢？
科研人员把目光投向了机器学习。机器学习是人工智能技术的一个分支，它允许计算机从过去的例子中“学习”潜在的规律，并利用这些规律建立的模型来预测新的数据。近日，日本的研究人员开发了一种基于机器学习的卵巢癌特异性预测方法，该方法利用多种生物标记物和临床变量，对EOC患者的临床分期、组织类型、手术结果和预后进行预处理估计。该成果发表在《ClinicalCancer Research》上。
Application of Artificial Intelligence for Preopreative Diagnostic and Prognostic Prediction in Epithelial Ovarian Cancer Based on Blood Biomarkers.ClinicalCancer Research
IF=8.911
这项研究收集了334名上皮性卵巢癌(EOC)患者和101名良性卵巢肿瘤患者的外周血实验和年龄数据，一共32个参数。研究队列被随机分为“训练”和“测试”两组，并使用了7个监督式学习分类器，包括梯度提升机(GBM)、支持向量机(Support Vector machine)、随机森林(RF)、条件随机森林 (CRF)、朴素贝叶斯(Naive Bayes)、神经网络(Neural Network)和弹性网络(Elastic Net)。
No.1 EOC与良性肿瘤的鉴别诊断
为了探讨多变量作为卵巢肿瘤特征预测因子的实用性，研究人员比较基于32个外周血指标的多因素逻辑回归分析和使用每个标志物的单因素逻辑回归分析。结果显示，这些监督机器学习分析比传统的多元逻辑回归分析更准确地预测。值得注意的是，GBM、RF和CRF表现出了最好的性能。
No.2 预测卵巢临床分期和分型
接下来，研究人员使用随机森林和32个外周血标记物来预测EOC的临床分期 [早期（i/ii期）和晚期（iii/iv期）]。结果显示，CRP和LDH是预测EOC临床分期的重要参数，除了众所周知的肿瘤标志物如CA125和CA19-9外，还可以通过基尼指数的平均下降作为可变重要性的衡量指标。
应注意的是，随着临床阶段的进展，CA125、CRP、LDH、FBG和血小板（PLT）增加，包括GCA19-9和ALB在内的标志物减少。同时，研究人员也评估了组织学类型EOC的可预测性。结果显示，高级血清型、透明细胞型、子宫内膜样组织型和粘液组织型的预测准确率最高，分别为75.8%、67.7%、55.6%和96.0%。而CA125和CA19-9是高级血清型EOC最重要的预测因子。
No.3 术前血液标志物预测肿瘤残留
术后残留肿瘤的存在是一个强有力的预后指标，它同时影响进展自由生存期（pfs）和总体生存期。研究人员的下一步工作就是利用术前血液标志物和序贯分类法预测残余肿瘤，并尝试预测残余肿瘤大小。结果显示，最重要的预测变量是CA19-9、淋巴细胞和CA125。
小编总结
在预测EOC的多个临床参数方面，机器学习技术优于传统的回归分析。而集成了多个若决策树（如GBM、RF和CRF）的机器学习方法在EOC预测中表现最好：准确度和ROC曲线下面积（AUC）分别为92.4%和0.968。机器学习算法是精密医学领域的一个重要工具，可能有助于选择最佳治疗策略。人工智能模型能够通过同时处理多种因素来发现数据中的规律，这可能有助于更好地理解致癌和癌症进展的复杂机制。机器学习算法提供了对给定变量的最大诊断和预测能力。这项研究中，比较多个有监督学习算法以识别性能最佳的方法。那对大部分不太熟悉机器学习的科研宝宝们，这种做法显然十分困难。不！要！慌！中科新生命给大家带来了更加便于使用的解决方案！在昨天下午的发布会上，我们重磅推出了集成机器学习分析，筛选标志物再也不用发愁，一步到位，最佳选择！感兴趣的老师，直接扫码添加文章底部技术咨询微信号，备注“讲座”我们将为您提供发布会回放链接哦！
中科新生命
蛋白|修饰|代谢|脂质|结构确证
www.aptbiotech.com
T: 021-54665263
E: info_apt@sibs.ac.cn
Q: 1875681852
