Identification of a Novel Lipidomic Biomarker for Hepatocyte Carcinoma Diagnosis: Advanced Boosting Machine Learning Techniques Integrated with Explainable Artificial Intelligence
Notice bibliographique
Résumé
Background: Hepatocellular carcinoma (HCC) is a leading cause of cancer-related mortality worldwide, often diagnosed at late stages due to the limited sensitivity of current screening tools. This study explores whether blood-based lipidomic profiling, combined with explainable artificial intelligence (XAI), can improve early and interpretable detection of HCC. Methods: We analyzed lipidomic data from 219 HCC patients and 219 matched healthy controls using liquid chromatography-mass spectrometry. An Explainable Boosting Machine (EBM) was employed to identify discriminatory lipid biomarkers and was compared against several standard machine learning algorithms. Results: The EBM model achieved superior performance with 87.0% accuracy, 87.7% sensitivity, 86.3% specificity, and an AUC of 91.8%, outperforming other models. Key lipid biomarkers identified included specific phosphatidylcholines (PC 38:2, PC 40:4), sphingomyelins (SM d40:2 B), and lysophosphatidylcholines (LPC 18:2), which exhibited significant alterations in HCC patients and highlighted disruptions in sphingolipid metabolism. Conclusions: Integration of lipidomics with explainable machine learning offers a powerful, transparent approach for HCC biomarker discovery, achieving high diagnostic accuracy while providing biological insights. This strategy holds promise for developing non-invasive, clinically interpretable screening tools to improve early detection of liver cancer.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».