Development of diagnostic and prognostic molecular biomarkers in hepatocellular carcinoma using machine learning: A systematic review
Notice bibliographique
Résumé
Abstract Hepatocellular carcinoma (HCC) is a leading cause of cancer‐related mortality and morbidity worldwide. Machine learning (ML) tools have been developed in recent years to generate diagnostic and prognostic molecular biomarkers for this high‐fatality cancer. To delineate the landscape of ML in HCC, we performed a systematic search of Ovid Medline, Ovid Embase, Cochrane Database of Systematic Reviews (Ovid) and Cochrane CENTRAL (Ovid) to identify studies of HCC molecular biomarkers using ML strategies. In total, 75 studies met our inclusion criteria, 53 of which were pertinent to diagnosis of HCC and 22 of which were pertinent to prognostication of HCC. Genomic, transcriptomic, epigenomic, proteomic and metabolomic signatures were derived using various ML techniques (supervised, unsupervised and deep learning approaches) using serum, urine and tissue samples of HCC. The ML algorithms achieved a sensitivity of up to 95% for the diagnosis of HCC. Through pathway analysis of the signatures derived by ML tools, we identified regulators of epithelial‐mesenchymal transition and the cancer pathway Ras/Raf/MAPK as being particularly prognostic of HCC outcome. The application of ML to molecular data in HCC has thus far resulted in the generation of highly sensitive diagnostic and prognostic signatures. In future, development of ML algorithms that incorporate clinical, laboratory, alongside molecular features will be needed to fulfil the promise of personalized HCC diagnosis and treatment.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».