Байесовская модель прогнозирования риска смертности от колоректального рака путем интеграции клинико-патологических и геномных данных

Jun 05, 2024

npj Precision Oncology, том 7, номер статьи: 57 (2023 г.) Цитировать эту статью

1373 Доступа

3 Альтметрика

Подробности о метриках

Рутинная стадия колоректального рака с метастазами в опухолевые узлы (TNM) несовершенна для прогнозирования выживаемости из-за патобиологической гетерогенности опухоли и неточной оценки распространения опухоли. Мы использовали деревья байесовской аддитивной регрессии (BART), метод статистического обучения, для всестороннего анализа характеристик опухоли у конкретного пациента и улучшения прогностического прогноза. Из 75 клинико-патологических, иммунных, микробных и геномных переменных у 815 пациентов со стадиями II–III в рамках двух проспективных когортных исследований по всей территории США модель риска BART выявила семь стабильных предикторов выживаемости. Стратификации риска (низкий риск, промежуточный риск и высокий риск), основанные на прогнозируемой моделью выживаемости, были статистически значимыми (отношения рисков 0,19–0,45 по сравнению с более высоким риском; P <0,0001) и могли быть подтверждены извне с использованием Атласа генома рака (TCGA). ) данные (Р = 0,0004). BART продемонстрировал гибкость модели, интерпретируемость и производительность, сопоставимую или превосходящую другие модели машинного обучения. Комплексный биоинформатический анализ с использованием BART с опухолеспецифическими факторами может надежно разделить пациентов с колоректальным раком на прогностические группы и легко применяться в клинической онкологической практике.

Колоректальный рак развивается в контексте сложного взаимодействия между хозяином, микробами и неопластическими клетками в местной микросреде кишечника1. Прогноз выживаемости, основанный исключительно на стадии опухолевого узла-метастазирования (TNM), несовершенен из-за гетерогенности опухоли, а также неточной оценки распространения опухоли. У пациентов со стадией II/III оценка риска имеет решающее значение для использования адъювантной химиотерапии, а также интенсивности и продолжительности лечения2,3. Следовательно, для лучшего прогнозирования исходов отдельных пациентов необходим крупномасштабный многовариантный анализ факторов, способствующих прогрессированию опухоли. Накопленные данные указывают на то, что такие факторы, как статус микросателлитной нестабильности опухоли (MSI), мутация BRAF, количество Fusobacterium nucleatum и инфильтраты Т-клеток, являются значимыми прогностическими биомаркерами при колоректальном раке4,5,6. Учитывая эти результаты, мы предположили, что интеграция опухолевых и иммунных характеристик с классификацией TNM может улучшить модель прогностического прогнозирования при колоректальном раке.

Чтобы использовать доступные клинико-патологические переменные для прогнозирования выживаемости, мы внедрили модель классификации ансамблевой суммы деревьев, деревья байесовской аддитивной регрессии (BART). Ансамблевые методы позволяют гибко моделировать нелинейные и интерактивные взаимосвязи между предикторами и переменными результата, сохраняя при этом интерпретируемость модели с помощью показателей переменной важности7, и дали многообещающие результаты в классификации молекулярных подтипов опухолей, ответе на терапию и прогнозировании выживаемости при нескольких типах рака8,9,10. BART расширяет классическую парадигму ансамблевого дерева, вводя базовое вероятностное распределение в модель суммы деревьев, допуская присущую ему регуляризацию. BART продемонстрировал высокую производительность и превосходные возможности выбора переменных по сравнению с другими методами машинного обучения, включая случайный лес (RF), повышение градиента (GB), оператор наименьшего абсолютного сжатия и выбора (LASSO), многомерный адаптивный сплайн регрессии и искусственные нейронные сети. (ANN)11, и предоставил многообещающие результаты в предыдущих исследованиях в области протеомного профилирования, анализа генной регуляторной сети и непараметрического анализа выживаемости12,13,14.

В этом исследовании мы построили модель BART, которая объединила компоненты стадии TNM с другими факторами для улучшения стратификации риска смертности у пациентов на стадии II/III, используя базу данных пациентов с колоректальным раком в двух крупных проспективных когортных исследованиях, а именно «Исследование здоровья медсестер» (NHS). ) и последующее исследование медицинских работников (HPFS). Мы подтвердили хорошую производительность модели BART, о чем свидетельствует кривая рабочих характеристик приемника (ROC) по сравнению с RF, GB и другими статистическими методами обучения, и подтверждена внешней проверкой с использованием набора данных Атласа генома опухоли (TCGA). Мы исследовали переменные, которые вносят вклад в модели BART, с точки зрения стабильности значимости с помощью теста перестановки при пятикратной перекрестной проверке, а также частичной зависимости результата от важных переменных. Наше исследование показало, что байесовские ансамблевые модели могут объединять различные факторы, специфичные для опухоли и пациента, для улучшения прогнозирования выживаемости и могут служить клиническими инструментами для оценки индивидуального риска смертности от рака, тем самым повышая точность оптимального ведения пациентов.