Abstract A033: Utilizing machine learning algorithms to identify methylation regions predictive of outcome in ICI-treated patients: Insights from the longitudinal RADIOHEAD study
Notice bibliographique
Résumé
Abstract Background: Recent evidence suggests that tumor fraction (TF), estimated by normalizing cancer-specific differentially methylated regions against matched controls, is predictive of mortality and progression free survival (PFS) in cancer patients. However, specific methylation regions may be more predictive of outcomes than others. To investigate this assertion, we utilized a machine learning (ML) algorithm to identify regions that were most predictive of these outcomes while considering that the most predictive methylation regions may be different at various timepoints along the patient journey. Methods: RADIOHEAD is a prospective study of 1070 pan-cancer immunotherapy naive patients receiving standard of care immune checkpoint inhibitor (ICI) regimens in the community setting. Plasma samples from baseline and on-treatment timepoints from these patients were processed and a TF was reported by a clinically validated-methylation based next generation sequencing test (Guardant Reveal). Of these patients, a sub-cohort of 251 patients with advanced non-small cell lung cancer were analyzed further. Specifically, a gradient boosting (GB) model was used to identify the methylation regions most predictive of mortality and PFS at baseline and at three successive timepoints. Hyperparameters were optimized to maximize classification accuracy using a 3-fold cross-validation with 3 repeats. In total, eight GB models were leveraged, one for each outcome and timepoint. Results: The feature space, containing +10,000 regions, was interrogated using the GB models, where SHapley Additive exPlanations (SHAP) values are extracted. Through this examination, the top 10 methylation regions (those most accurately classified outcome) were identified for each model across all timepoints. Results are presented in tabular form where regions are ranked by importance. Conclusions: To our knowledge identifying the methylation regions that are most predictive of outcome using GB as a classifier is novel. In addition, we demonstrate that the most predictive regions differ over time. This process may be replicated in the future for different cancer types, where future research is needed to understand the biological significance of the identified regions. Citation Format: Christopher R. Pretz, Aaron Hardin, Bryan Lin, Sara Wienke, Samantha Liang, Enjun Yang, Amar K. Das. Utilizing machine learning algorithms to identify methylation regions predictive of outcome in ICI-treated patients: Insights from the longitudinal RADIOHEAD study [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 A033.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».