Sci—Thur PM: YIS — 09: ROC Analysis of Metabolomics Data Sets for Cancer Screening
Notice bibliographique
Résumé
Disease processes are known to alter the metabolic pathways of affected cells and tissues in an organism. This perturbation of the steady state can lead to quantifiable changes in metabolites found in biofluids such as urine, blood or saliva. The objective of this work was to identify robust patterns of change in the metabolic profile of mouse urine as a group of experimental animals transitioned from healthy to tumour bearing. Samples were collected for one week before tumour cell injections and for a period of four weeks after injection. An age‐matched group of control mice was profiled to investigate the effects of age and non‐tumour related experimental procedures. Samples were analyzed using an 800 MHz NMR spectrometer and profiled using the Chenomx software platform. A total of 40 metabolites were evaluated in each sample. The paired t‐test was used to identify statistically significant changes (controlled for multiple hypothesis testing) in individual metabolites and ratios of metabolite pairs. Partial least squares discriminant analysis was used to identify more complicated relationships between metabolites. Of the 40 individual metabolites, 16 changed in a significant manner that was not also observed in the controls. Of the 780 metabolite ratios, 126 were significant. To investigate potential clinical utility, population distributions were subjected to ROC curve analysis. Individual metabolite‐based results produced areas under the curve (AUC) as high as 0.770, ratios produced AUCs as high as 0.937 and multivariate models produced AUC values as high as 0.942. AUC values larger than 0.9 are considered excellent.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,048 | 0,030 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».