医学大数据|文献阅读|有关“胃癌+机器学习”的研究记录

目录

1.基于32基因特征构建的机器学习模型可有效预测胃癌患者的预后和治疗反应

2.胃癌患者术后90天死亡率的机器学习风险预测模型

3.使用机器学习模型预测幽门螺杆菌根除患者胃癌患病风险

4.利用初始内窥镜检查和组织学结果进行个性化胃癌发病率预测


1.基于32基因特征构建的机器学习模型可有效预测胃癌患者的预后和治疗反应

近日,该韩国研究团队联合梅奥诊所研究团队在Nature Communications发表了题为“Development and validation of a prognostic and predictive 32-gene signature for gastric cancer”的文章。研究团队利用NTriPath识别了胃癌的特异性关键信号通路,并生成了包含32个基因的胃癌特异表达特征谱。验证了这些基因特征的预后效用,并建立了一个基于分子亚型的风险评分模型,来预测胃癌患者总体生存期和对化疗或免疫检查点封锁疗法的反应。

2.胃癌患者术后90天死亡率的机器学习风险预测模型

该研究是一个多中心大队列研究。作者旨在使用ML算法开发并验证接受根治性胃切除术后患者90 天死亡率(90DM)的风险预测模型。
作者纳入西班牙 EURECCA 食管癌登记数据库中登记的 2014 年至 2021 年间接受根治性胃癌切除术的胃腺癌患者。主要研究结局重点为90DM。作者采用交叉验证弹性正增强线性回归(glmboost)、随机森林(RF)和集合模型4则化逻辑回归(cv-Enet)、种ML算法评价建立模型。通过 10 折交叉验证下曲线下面积(AUC) 评估模型预测性能。
该研究将来自六个地区的 39 个机构的 3,182 名和 260 名患者分别纳入训练队列和验证队列。两个队列中患者的90DM 率分别为5.6%和6.2%。作者发现不论是训练集还是验证集中,与cv-Enet(0.796,95%C1 0.784-0.808)、glmboost(0.79795% C10.785)和集成模型(0.847,95%C10.836-0.858)相比,RF 模型区分度最高,且有较高的AUC值。

3.幽门螺杆菌相关铁死亡基因 +多组学+分子对接+多种机器学习

题目是“Comprehensive analysis of the function of helicobacter-associated ferroptosis gene YWHAE in gastric cancer through multi-omics integration, molecular docking, and machine learning”。

3.使用机器学习模型预测幽门螺杆菌根除患者胃癌患病风险

2021年,来自香港大学的Wai K. Leung等人利用患者的简单信息开发了机器学习模型来预测幽门螺杆菌根除术后患上胃癌的风险,这种模型可以大大减少需要内窥镜监测的患者数量。并在Alimentary Pharmacology & Therapeutics(IF:9.52,医学1区 Top)期刊上发表题为“Applications of machine learning models in the prediction of gastric cancer risk in patients after Helicobacter pylori eradication”的文章。

胃癌是全球最常见的恶性肿瘤之一,其死亡率在全球癌症死亡中排名第三。胃癌的发生与幽门螺杆菌感染密不可分,有研究已经证明根除幽门螺旋杆菌可将胃癌发展的风险降低约40%,然而相当一部分根除幽门螺旋杆菌的受试者仍会发展为胃癌,因此幽门螺杆菌根除后患上胃癌的风险仍然未知。目前已经证明年龄、药物、胃癌家族史、吸烟和某些饮食习惯这些临床参数会增加胃癌发展的风险。先前的研究通过各种临床风险评分来预测胃癌进展的风险,所有这些评分系统都需要使用内窥镜、血清学甚至组织学检查结果,迄今为止还没有一个仅基于临床参数的准确评分系统。随着机器学习算法的日益普及,本研究旨在基于简单的临床参数和用药,探索使用机器学习模型预测根除幽门螺杆菌患者未来胃癌发展风险的可行性。

为了预测幽门螺杆菌根除后5年内胃癌发展的风险,该项研究构建7个机器学习模型,包括逻辑回归,稀疏神经网络、LASSO算子等。其中SVM, RF, SGB和XGBoost作为需要调优的机器学习模型经过10倍交叉验证来选择超参数。模型的评价指标包括AUC、敏感性、特异性等。

如表1 和图2 所示在7个机器学习模型中, XGBoost在预测癌症发展方面表现最佳(AUC 0.97, 95%CI 0.96-0.98)。表2总结了需要内镜监测的病例数和不同模型遗漏的胃癌病例数。在XGBoost模型中,被认为是胃癌高危患者的人数为6.6%,漏检率为1.9%。

基于简单的基线临床信息和用药史,本文利用XGBoost开发了一个机器学习模型,可以准确预测幽门螺杆菌感染后胃癌发展的风险。该机器学习模型能够提供有效的内镜监测方案,将极低风险患者排除在不必要的监测之外。

4.“基于舌象的胃癌机器学习诊断工具开发:一项前瞻性多中心临床队列研究”

现代研究表明,舌象和舌苔的变化与口腔/舌苔微生物群密切相关,而口腔微生物与胃炎、肝癌、结直肠癌等疾病相关。

基于此,团队研究了舌象与胃癌的关系并结合人工智能(AI)开发了基于舌象的胃癌诊断新技术。相关研究成果于2023年2月6日以“基于舌象的胃癌机器学习诊断工具开发:一项前瞻性多中心临床队列研究”(“Development of a tongue image-based machine learning tool for the diagnosis of gastric cancer: a prospective multicentre clinical cohort study”)为题发表于《柳叶刀》子刊《eClinicalMedicine》。

在本研究中,团队开展了一项前瞻性多中心临床研究,从中国10个中心招募了937名胃癌患者和1911名非胃癌参与者(健康人、浅表性胃炎、萎缩性胃炎),应用AI深度学习的方法,建立了3种完全不同的诊断模型(APINet模型、TransFG模型和DeepLabV3+模型,排除单一模型带来的结果偏差),以评估舌象在胃癌诊断中的作用。此外,从另外7个中心招募了294名胃癌患者和521名非胃癌参与者进行独立外部验证(图1)。

此外,我们进一步比较了基于舌象的诊断技术与现有8种血液肿瘤指标对胃癌的诊断价值差异。在内部验证中的8种血液肿瘤指标的联合诊断AUC值为0.67-0.69,外部验证中为0.64-0.68,显著低于舌象诊断技术。

4.利用初始内窥镜检查和组织学结果进行个性化胃癌发病率预测

方法:我们回顾性评估了1099例慢性胃炎患者,他们接受了食道胃十二指肠镜检查(EGD)和胃黏膜活检。将患者随机分为训练集和测试集(比例为4:1)。我们构建了传统的Cox比例风险模型和3个ML模型。对初始EGD时的基线特征、内窥镜萎缩程度以及胃炎-肠化生评估(OLGIM)/胃炎评估(OLGA)阶段进行了全面评估。采用Harrel's c-index评估模型性能。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/714237.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

随想录算法训练营第四十八天|121. 买卖股票的最佳时机、122.买卖股票的最佳时机II

121. 买卖股票的最佳时机 public class Solution {public int MaxProfit(int[] prices) {int result0;int lowint.MaxValue;for(int i0;i<prices.Length;i){if(prices[i]<low){lowprices[i];}else{resultMath.Max(result,prices[i]-low);}}return result;} } 先遍历找到…

机器学习_10、集成学习-AdaBoost

AdaBoost AdaBoost&#xff08;Adaptive Boosting的简称&#xff09;是一种集成学习方法&#xff0c;它的核心思想在于将多个弱学习器组合起来&#xff0c;形成一个强学习器。通过这种方式&#xff0c;AdaBoost能够显著提高分类性能。下面详细介绍AdaBoost的主要概念和工作原理…

查看网络连接的netstat

netstat是一个监控TCP/IP网络的非常有用的工具&#xff0c;可以显示路由表、实际的网络连接&#xff0c;以及每一个网络接口设备的状态信息&#xff0c;可以让用户得知目前都有哪些网络连接正在运作。netstat用户显示与IP、TCP、UDP和ICMP协议相关的统计数据&#xff0c;一般用…

【Vue3】PostCss 适配

px 固定的单位&#xff0c;不会进行自适应。rem r root font-size16px 1rem16px&#xff0c;但是需要手动进行单位的换算vw vh 相对于视口的尺寸&#xff0c;不同于百分比&#xff08;相对于父元素的尺寸&#xff09;375屏幕 1vw 3.75px 利用插件进行 px&#xff08;设计稿&…

算法复习之二分【备战蓝桥杯】

二分模板一共有两个&#xff0c;分别适用于不同情况。 算法思路&#xff1a;假设目标值在闭区间[l, r]中&#xff0c; 每次将区间长度缩小一半&#xff0c;当l r时&#xff0c;我们就找到了目标值。 版本一 当我们将区间[l, r]划分成[l, mid]和[mid 1, r]时&#xff0c;其更…

Docker自定义JDK镜像并拉取至阿里云镜像仓库全攻略

前言 随着容器技术的日益成熟&#xff0c;Docker已经成为现代软件开发和部署的标配工具。其中&#xff0c;自定义Docker镜像是满足特定项目需求的关键步骤。特别是在Java开发环境中&#xff0c;我们可能需要为不同的项目配置不同版本的JDK。这时&#xff0c;通过Docker自定义J…

临时笔记2

临时笔记2 数据库设计 有哪些表 表里有哪些字段 表和表之间是什么关系 JDBC(全称&#xff1a;JAVA DATABASE CONNECTIVITY) 本质是官方定义的一套操作所有关系型数据库的规则&#xff0c;即接口。每个数据库厂商去实现这一接口&#xff0c;写出实现类&#xff0c;即驱动&…

List<Object>集合对象属性拷贝工具类

目录 问题现象&#xff1a; 问题分析&#xff1a; 解决方法&#xff1a; 问题现象&#xff1a; 最近在项目中经常会使用到BeanUtils工具类来作对象的属性字段拷贝&#xff0c;但如果应用到List集合的话就需要遍历去操作了&#xff0c;如下&#xff1a; 打印结果&#xff1a; …

Cocos Creator 3.8.x 后效处理(前向渲染)

关于怎么开启后效效果我这里不再赘述&#xff0c;可以前往Cocos官方文档查看具体细节&#xff1a;后效处理官网 下面讲一下怎么自己定义一个后处理效果&#xff0c;想添加自己的后效处理的话只需要在postProcess节点下添加一个BlitScreen 组件即可&#xff0c;然后自己去添加自…

第三方集成站点带token访问SpringSecurity应用站点自动登录方案

近期有个WEB项目需要改造。业主找第三方搞了一个集成站点&#xff0c;将多个应用站点的链接集中放在一个导航页面。由于进入集成站点时已经登录过了&#xff0c;业主要求点击这些应用站点的链接时就不必再登录。 以前做过类似项目&#xff0c;用的是单点登录。大家都用同一个登…

关于python数据可视化的学习(多维数组)

import numpy as np # 通过这个语句可以知道其是否存在nmpy这个包 创建数据 H np.array([[[94,26],[11,11]],[[22,22],[23,23]],[[33,33],[33,34]]]) # 理解其中的逻辑结构然后开始运行 # 一个基础维度逻辑数据结构中包含一个一个二维数据&#xff0c;二维数组之后再次进行升…

Selenium基础:自动化你的网页交互!

在构建Python爬虫的过程中&#xff0c;你可能会遇到需要与网页进行交互的情况&#xff0c;比如填充表单、点击按钮等。这时&#xff0c;Selenium库就成了你的有力工具。Selenium是一个强大的工具&#xff0c;能够模拟用户在网页上的各种操作。本篇博客将向你介绍Selenium的基础…

EdgeX Foundry 设备服务

文章目录 1.设备服务2.设备配置文件3.设备资源4.资源属性&#xff08;Attributes&#xff09;5.资源属性&#xff08;Properties&#xff09;6.设备命令7.资源操作8.REST 命令端点9.推送事件 EdgeX Foundry # EdgeX Foundryhttps://iothub.org.cn/docs/edgex/ https://iothub.…

好用的AI模型集合

AI-Chat 这个网站提供的AI-Chat 3.5和AI-Chat 4.0聊天机器人&#xff0c;每天都可以免费使用。 不管是学习、工作还是日常生活&#xff0c;都能给我们带来很大的帮助&#xff0c;效率真的可以说是翻倍了。我觉得&#xff0c;如果你想让自己的生活更加高效、更加有序&#xff0…

WEB漏洞 SSRF简单入门实践

一、漏洞原理 SSRF 服务端请求伪造 原理&#xff1a;在某些网站中提供了从其他服务器获取数据的功能&#xff0c;攻击者能通过构造恶意的URL参数&#xff0c;恶意利用后可作为代理攻击远程或本地的服务器。 二、SSRF的利用 1.对目标外网、内网进行端口扫描。 2.攻击内网或本地的…

Selenium 4.0+ 版本的“正确使用”以及“驱动程序的正确安装”

前言 本文是该专栏的第18篇,后面会持续分享python爬虫干货知识,记得关注。 你是否还在使用selenium 3.0+版本呢?如果还是在使用selenium的旧版本,那就好好看完这篇文章,让你立刻使用上最新的selenium版本——selenium 4.0+版本。 我们都知道selenium是一个开源的Web自动…

python+Selenium以IE模式打开edge浏览器

一、修改ie的注册表 计算机\HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Internet Settings\Zones 下边5个文件夹下的2500的值改成3 计算机\HKEY_CURRENT_USER\SOFTWARE\Microsoft\Windows\CurrentVersion\Internet Settings\Zones 下边5个文件夹下的2…

全量知识系统问题及SmartChat给出的答复 之12 知识图表设计

Q32. 画一个图表 今天&#xff0c;我们开始设计图表&#xff0c;以便能直观表示前面各种概念名相及其位置关系&#xff0c;发现其中的问题和错误。 先画出一个3*3的表格&#xff0c;还有一根对角线&#xff08;左上到右下&#xff09;&#xff0c;上面有列名&#xff0c;分别…

戏说c第二十六篇: 测试完备性衡量(代码覆盖率)

前言 师弟&#xff1a;“师兄&#xff0c;我又被鄙视了。说我的系统太差&#xff0c;测试不过关。” 我&#xff1a;“怎么说&#xff1f;” 师弟&#xff1a;“每次发布版本给程夏&#xff0c;都被她发现一些bug&#xff0c;太丢人了。师兄&#xff0c;有什么方法来衡量测试的…

css实现背景渐变叠加

线性渐变效果图: .box{width: 100vw;height: 100vh;background:linear-gradient(to bottom,transparent,#fff 30%),linear-gradient(to right,pink,skyblue);}径像渐变效果图&#xff1a; .box{width: 100vw;height: 100vh;background:linear-gradient(to bottom,transparent,#…