Abstract 1944: Prognostic biomarkers for gallbladder cancer: A machine learning approach
Notice bibliographique
Résumé
Abstract Gallbladder cancer (GBC) is one of the deadliest cancers, with a 5-year-survival-rate of less than 5 percent for late-stage disease. The response rate to chemotherapy among GBC patients is generally poor. Recent research has attempted to identify diagnostic, prognostic, and predictive biomarkers, however, currently, no biomarkers can accurately diagnose GBC and predict patients’ prognosis. Integrative analysis of molecular and clinical characterization has not been fully established, and minimal improvement has been made to the survival of these patients, in part due to the heterogeneity of GBC. Machine learning techniques have been proven to empower analysis of big data in oncology, allowing for improvement in the generation of biomarkers to predict patient outcomes. Using machine learning, we can utilize high-throughput RNA sequencing with clinicopathologic data to develop a predictive tool for GBC prognosis. Current predictive models for GBC outcomes often utilize clinical data only, with the highest C-statistic reported being 0.71. C-statistic values over 0.7 generally indicate good models, however 0.8 is the threshold for strong predictive models. We aim to build a superior algorithm to predict overall survival in GBC patients with advanced disease, using machine learning approaches to prioritize biomarkers for GBC prognosis. We have identified over 80 fresh frozen GBC tissue samples from Mayo Clinic Rochester, Dongsan Medical Center in Daegu, Korea, University of the Witwatersrand, in Johannesburg, South Africa, Lithuanian University of Health Science in Vilnius, Lithuania, and University of Calgary in Calgary, Canada, from patients enrolled between 2012 and 2021. We will perform next-generation RNA sequencing on these tissue samples. The patients’ clinical, pathologic and survival data will be abstracted from the medical record uniformly across sites. Feature engineering and dimensionality reduction will be performed. Then random forests, support vector machines, and gradient boosting machines will be applied to train the data. Variable importance will prioritize multi-omic markers. Standard 5-fold cross validation will be used to assess performance of each ML algorithm. If overall survival can be better predicted with the addition patients’ transcriptional sequencing data compared to using clinical profiles alone, we can gain a greater understanding of key biomarkers driving the tumor phenotype. Citation Format: Linsey Jackson, Loretta Allotey, Valles Kenneth, Gavin Oliver, Asha Nair, Daniel O'Brien, Rondell Graham, Mitesh Borad, Arjun Athreya, Lewis Roberts. Prognostic biomarkers for gallbladder cancer: A machine learning approach [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2022; 2022 Apr 8-13. Philadelphia (PA): AACR; Cancer Res 2022;82(12_Suppl):Abstract nr 1944.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».