Deep learning-based classifier of diffuse large B-cell lymphoma cell-of-origin with clinical outcome
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Diffuse large B-cell lymphoma (DLBCL) is an aggressive form of non-Hodgkin lymphoma with poor response to R-CHOP therapy due to remarkable heterogeneity. Based on gene expression, DLBCL cases were divided into two subtypes, i.e. ABC and GCB, where ABC subtype is associated with poor outcomes. Due to its association with clinical outcome, this classification, also known as cell-of-origin (COO), is an efficient way to predict the response to R-CHOP therapy. Previous COO classification methods have some shortcomings, e.g. limited number of samples in the training dataset. These shortcomings challenge the robustness of methods and make it difficult to implicate these methods at clinical level. To overcome the shortcomings of previous methods, we developed a deep learning-based classifier model on a cohort of 381 DLBCL patients using expression data of 20 genes. We implemented multilayer perceptron (MLP) to train deep learning-based classifier, named MLP-COO. MLP-COO achieved accuracy of 99.70% and 94.70% on training and testing datasets, respectively, with 10-fold cross-validation. We also assessed its performance on an independent dataset of 294 DLBCL patients. On independent dataset, we achieved an accuracy of 95.90% with MCC of 0.917. To show its broader applicability, we used this classifier to predict the clinical outcome using survival data from two large cohorts of DLBCL patients. In survival analysis, MLP-COO recapitulates the survival probabilities of DLBCL patients based on their COO in both cohorts. We anticipate that MLP-COO model developed in this study will benefit in the accurate COO prediction of DLBCL patients and their clinical outcomes.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle