首页 > 文章详情

【2022 ASCO中国之声】中国医学科学院北京协和医学院国家肿瘤中心 : 采用集成机器学习来预测外周脂质组学在乳腺癌新辅助治疗中的反应

2022年06月06日

编译：肿瘤资讯

来源：肿瘤资讯

美国临床肿瘤学会（ASCO）2022年会再次来临，作为代表世界学术水平的权威性最高的肿瘤界交流盛会，将于美国当地时间2022年6月3日至7日举行，目前ASCO官网已经公布了会议摘要。本次会议上，由中国医学科学院北京协和医学院国家肿瘤中心/国家肿瘤临床研究中心，报告了机器学习与挖掘在使用外周脂质组学来预测乳腺癌患者对新辅助治疗反应的应用。

微信图片_20220604160913.png

采用集成机器学习，预测外周脂质组学在乳腺癌新辅助治疗中的反应

摘要号：582

题目

Peripheral lipidomics analyses with ensemble machine learning predict response to neoadjuvant therapy in breast cancer.

背景

新辅助治疗 (NAT) 在局部晚期乳腺癌 (BC) 患者的治疗策略中至关重要。迫切需要探索出可预测病理完全缓解 (pCR) 和可显示对NAT有获益反应的生物标志物。脂质组学是一种高通量分析技术，可用于外周生物标志物检测，可以避免临床上较难实施的连续肿瘤采样和病理活检。机器学习是一种通过挖掘不同组别及维度的信息而找出其相关性的数据处理方法。在这里，我们使用机器学习方法构建多维模型，结合临床病理学和脂质组学数据来预测 NAT 反应。

方法

在两个周期的 NAT 之前，从 119 名 BC 患者中收集其血液样本。通过绝对定量脂质组学动态监测脂质组成、浓度、链长和饱和度的多个水平的外周脂质组学特征。按1:1.5的比例将有反应组 (pCR) 和无反应组 (non-pCR) 随机抽样后用于后续分析。根据标准 “VIP>1、FC>2或FC<0.5和p<0.05” 的标准来筛选脂质生物标志物。上述筛选特征通过使用集成机器学习算法（逻辑回归、随机森林和支持向量机）进行了验证。计算出备选生物标志物表达的 Pearson 相关系数。通过将备选脂质组学动态变化特征与已收集的基线临床病理表型的相关联，构建了具有逻辑回归算法的多维预测模型。通过 ROC 分析评估上述模型的性能。

结果

在235份血液样本中，共鉴定出8个大类、39个亚类和2292个脂质代谢物分子。大多数备选生物标志物具有较低的相关性，表明只有较低的重叠和更优化的组合。通过将备选脂质组学特征与校正的集成机器学习相关联的基线构建为预测模型，其曲线下面积 (AUC) 分别为 0.84 和 0.72，准确度为 0.84，特异性为 0.92，敏感性为 0.71。截止值为 0.57。用脂质组学动态变化构建的预测模型也取得了良好的性能。

结论

该研究表明，外周脂质组学提供了一种可能的方法，可以开发具有集成机器学习的多维模型，用于预测乳腺癌患者对新辅助治疗的反应，这可能可用于开发个体最佳新辅助治疗策略，从而避免不必要的治疗。

责任编辑：肿瘤资讯-Joe
排版编辑：肿瘤资讯-Luka

2022年06月06日

颜昕

漳州市医院 | 乳腺外科

乳腺癌新辅助治疗中的反应

【2022 ASCO中国之声】中国医学科学院北京协和医学院国家肿瘤中心 : 采用集成机器学习来预测外周脂质组学 在乳腺癌新辅助治疗中的反应

【2022 ASCO中国之声】中国医学科学院北京协和医学院国家肿瘤中心 : 采用集成机器学习来预测外周脂质组学在乳腺癌新辅助治疗中的反应