基于血液生物标志物的机器算法在上皮性卵巢癌术前诊断和预后预测中的应用

免疫组化抗体神器

好评必备! 免费下载

基于血液生物标志物的机器算法在上皮性卵巢癌术前诊断和预后预测中的应用
  导语
  上皮性卵巢癌(Epithelial ovarian cancer ,EOC)被分类为至少5种不同的组织型: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)。这些组织型表现出不同的形态、病因和生物学行为。根据WHO对卵巢肿瘤的分类(2014),基于组织型进行区分他们的组织病理学和免疫组化特征,以及固有的分子特征。EOC通过国际妇产科联合会(FIGO)分期进行手术和病理分期,目前的护理标准包括新辅助化疗(NACT)后的初次减压手术(PDS)或内部减瘤手术(IDS)。组织病理学和FIGO分期均被认为是EOC亚组分类的金标准,并且是分层的相关预后因素。尽管需要组织型特异性和/或阶段依赖性治疗选择,但大多数患有EOC的患者仍然采用常规的“一刀切”手术干预和铂类联合化疗方法。
  目前基于大型随机临床试验接受NACT随后IDS的治疗益处,其中用NACT加IDS治疗的晚期卵巢癌的预后不低于用PDS治疗随后化疗的预后。但是,目前患者选择标准的疾病程度和/或患者状况,以及NACT环境中的普遍分期标准均还不完善。为了选择具有复杂表型的更有效的EOC治疗方法,重要的是能够在初始干预之前准确定义患者特征的分层因素。此外,开发预测治疗结果和预后的方法意义非凡。一些研究表明,通过使用生物标志物和多种临床因素的组合可以提高诊断准确性。临床医生熟悉的常用统计方法不适合处理复杂信息;直到最近,这一直是一个主要的限制,阻止从具有多个输入变量的大型数据集中提取有意义的信息。机器学习是人工智能(AI)技术的一个分支,它允许计算机从过去的例子中“学习”潜在的模式。使用机器学习方法使用已识别的模式预测新数据有助于从多个生物标记的复杂组合中检测难以识别的模式。
  在本研究中,研究者旨在开发基于机器学习算法的卵巢癌特异性预测方法,该算法使用多种生物标记物和临床变量用于EOC患者的临床分期、组织分型、手术结果和预后的预处理估计。
基于血液生物标志物的机器算法在上皮性卵巢癌术前诊断和预后预测中的应用
  研究简介
  论文标题:Application of Artificial Intelligence for Preoperative Diagnostic and Prognostic Prediction in Epithelial Ovarian Cancer Based on Blood Biomarkers
  发表杂志:Clinical Cancer Research (IF:10.199)
  在线日期:2019-4-11
  作者:Eiryo Kawakami, Junya Tabata, Nozomu Yanaihara, Tetsuo Ishikawa, Keita Koseki, Yasushi Iida, Misato Saito, Hiromi Komazaki, Jason S. Shapiro, Chihiro Goto,Yuka Akiyama, Ryosuke Saito, Motoaki Saito, Hirokuni Takano, Kyosuke Yamada, and Aikou Okamoto
  主要单位:
  1、日本神奈川县横滨市RIKEN医学科学创新中心项目
  2、日本东京东京慈惠大学医学部妇产科
  3、日本千叶县千叶大学人工智能医学研究院
基于血液生物标志物的机器算法在上皮性卵巢癌术前诊断和预后预测中的应用
  1、引言
  旨在使用基于多种生物标志物的机器学习方法开发用于上皮性卵巢癌临床分期、组织分型、残余肿瘤负荷和预后的特异性预测框架。
  2、实验设计和方法
  总体而言,334名患有上皮性卵巢癌(EOC)的患者和101名患有良性卵巢肿瘤的患者被随机分配到“训练”和“测试”队列。七个监督机器学习分类器,包括梯度增强机(GBM)、支持向量机、随机森林(RF)、条件RF(CRF)、Naive Bayes、神经网络和弹性网,被用于推导诊断和预测模型的构建,信息来自治疗前外周血检查的32个生物标志物和年龄等作为参数。435名患者的临床特征具体见表1。
基于血液生物标志物的机器算法在上皮性卵巢癌术前诊断和预后预测中的应用
  1、实验结果
  机器学习技术在预测与EOC有关的多个临床参数方面优于传统的基于回归的分析。集合方法结合弱决策树(例如GBM,RF和CRF)的ods在EOC预测中表现出最佳性能。用RF分离EOC与良性卵巢肿瘤的最高准确度和ROC曲线下面积(AUC)的值分别为92.4%和0.968。用RF预测临床分期的最高准确度和AUC分别为69.0%和0.760。可以通过RF术前预测EOC的高级浆液性和粘液性组织型。有序RF分类器可以区分完全切除与其他切除。无监督聚类分析确定了早期EOC患者的亚组,其存活率显着降低。
  (1)基于多种术前血液标志物鉴别EOC与良性肿瘤的关系:
基于血液生物标志物的机器算法在上皮性卵巢癌术前诊断和预后预测中的应用
  图1:基于多种术前血液标志物鉴别诊断EOC与良性卵巢肿瘤。A,来自逻辑回归的ROC曲线,用于从良性卵巢肿瘤中分离EOC。使用所有32个外周血标记物的多元回归模型的结果用红线表示,而单个回归结果用黑色虚线表示。B,使用监督机器学习方法区分EOC与良性卵巢肿瘤的ROC曲线。C,在逻辑回归和RF中计算的EOC与良性卵巢肿瘤分离的变量的相对重要性。变量重要性表示为最高值的百分比。D,框和抖动图表示用于区分EOC和良性卵巢肿瘤的前八个重要血液标记物的分布。E,使用Spearman等级系数评估的前八个重要预测因子之间的相关性
  (2)用RF分类器预测EOC的临床分期和组织学类型:
基于血液生物标志物的机器算法在上皮性卵巢癌术前诊断和预后预测中的应用
  图2:用RF分类器预测EOC的临床分期和组织学类型。基于RF的临床分期(A)和组织学类型预测的A和D,ROC曲线(D)在EOC基于32个外周血标记物。B和E,基于RF的临床分期预测(B)和组织学类型(E)的变量重要性评估为基尼指数的平均减少。方框图和条形图显示了100次独立训练迭代的结果。C和F,框和抖动图表示基于RF的临床分期预测(C)和组织学类型(F)的前八个重要血液标记物的分布。
  (3)使用序数分类方法预测初次手术后残留肿瘤大小:
基于血液生物标志物的机器算法在上皮性卵巢癌术前诊断和预后预测中的应用
  图3.使用序数分类方法预测初次手术后残留肿瘤大小。A,测试队列中个体患者的残余肿瘤大小的预测。每个类的预测置信度表示为香农的信息增益。B,用于预测残余肿瘤大小的血液标志物的可变重要性。箱形图显示了100次独立训练迭代的结果。C,ROC曲线用于预测EOC患者的残余肿瘤大小。D和E,混淆矩阵指示所有预测(D)的RF分类的预测质量以及具有高(> 0.2比特)置信度(E)的那些预测的预测质量。
  (4)无监督机器学习聚类与预后相关:
基于血液生物标志物的机器算法在上皮性卵巢癌术前诊断和预后预测中的应用
  图4:无监督机器学习聚类与预后相关。DFS,无病生存。A,MDS图基于所有EOC和良性卵巢肿瘤的RF相异性分析。B-D,良性卵巢肿瘤(B),早期(C)和晚期(D)EOC患者的MDS图使用PAM方法聚类成两组。E-G,Kaplan-Meier曲线表明所有EOC(E),早期(F)和晚期EOC患者(G)中每个簇的RFS。通过基于单变量Cox比例风险模型的Wald检验计算P值。H,所有EOC患者的MDS图表明组织型。I,Box和抖动图表示群集1和群集2之间的前八个差异血液标记的分布。
  (5)RFS与EOC患者的临床病理参数的关联:
基于血液生物标志物的机器算法在上皮性卵巢癌术前诊断和预后预测中的应用
  1、结论
  机器学习系统可以在初始干预之前为EOC患者提供关键的诊断和预后预测,并且预测算法的使用可以通过对患者进行预处理分层来促进个性化治疗选择。
  研究总结
  在初始干预之前确定预测患者特征的变量将有助于选择更有效的上皮性卵巢癌(EOC)治疗方法。
  (1)本研究开发了一种基于人工智能(AI)的卵巢癌特异性预测方法,该方法使用外周血中的多种标记物和临床因素,用于预处理评估EOC患者的临床分期、组织分型、手术结果和预后,发现与早期报道相比,机器学习方法能够以相当高的准确度预测恶性肿瘤。
  (2)此外,还证明无监督机器学习方法确定了早期EOC患者的亚组,这与无复发生存率显着相关。
  (3)该研究不仅可以构建高度准确的卵巢肿瘤特征预测因子,而且提出使用AI来揭示难以识别的多个生物标记组合的患者群。通过使用基于机器学习的预测算法对EOC患者进行预处理分层,可以选择个性化治疗方案。
  对临床上皮性卵巢癌患者的诊断、分期分型、指导治疗(个性化治疗方案的选择)、预后评估都有重要意义。
  参考文献:Kawakami E, Tabata J, Yanaihara N, et al. Application of Artificial Intelligence for Preoperative Diagnostic and Prognostic Prediction in Epithelial Ovarian Cancer Based on Blood Biomarkers[J]. Clin Cancer Res, 2019.
  备注:文中数据图也均来自该篇文章中。
责任编辑: 夢奕新
0 0 0

扫一扫下载91360客户端