Abstract B058: An informed machine learning-based blood test for risk assessment of lethal and common cancers
Notice bibliographique
Résumé
Abstract Multi-cancer detection tests represent a promising advancement, with the potential to detect multiple cancer types through a single test, at earlier more treatable stages. Early detection is associated with improved treatment outcomes, and reduced healthcare costs. These tests may focus on a few common cancers or encompass a broader spectrum, including those for which no current screening guidelines exist. We have developed a machine learning–based blood test, the Multi-Cancer Risk Assessment Test (MCaST), designed to estimate an individual’s risk of harboring one or more of the following cancers: breast, ovarian, colorectal, esophageal, gastric, liver, pancreatic, prostate, and lung cancer. Our method utilizes measurements of protein biomarkers as inputs into predictive algorithms. Elevated levels in one or more biomarkers yield a composite score that is subsequently translated into an absolute 6-year cancer risk. Importantly, the algorithm also integrates longitudinal data from two or more biomarker measurements taken at different time points, allowing dynamic changes in biomarker levels to further refine risk classification. An individual is classified as high risk if their estimated 6-year absolute risk exceeds a predefined threshold of 1%. An important advantage of this approach is to tailor screening according to risk for cancers for which screening is available and to bring into personalized screening subjects at increased risk for cancers for which screening is not recommended for the general population. Citation Format: Ehsan Irajizad, Sam Hanash. An informed machine learning-based blood test for risk assessment of lethal and common cancers [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Artificial Intelligence and Machine Learning; 2025 Jul 10-12; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(13_Suppl):Abstract nr B058.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».