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 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) | 0,000 | 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 ».