机构名称：
¥ 1.0
生物技术的快速发展导致了大量多组学数据的产生，这需要生物信息学和人工智能的进步，以实现计算建模来诊断和预测临床结果。传统的机器学习和新的深度学习算法都会公正地筛选现有数据以发现模式并创建可用于指导临床决策的模型。我们总结了已发表的文献，这些文献介绍了使用在组学数据集上训练的人工智能模型（包含和不包含临床数据）来诊断、风险分层和预测非恶性肝病患者的生存能力。在选定的研究中，总共测试了 20 种不同的模型。通常，将组学数据添加到常规临床参数或单个生物标志物中可以提高人工智能模型的性能。例如，使用 NAFLD 纤维化评分来区分 F0-F2 与 F3-F4 纤维化阶段，曲线下面积 (AUC) 为 0.87。当通过 GMLVQ 模型整合代谢组学数据时，AUC 大幅提高至 0.99。在另一项研究中，使用 RF 对多组学和临床数据预测 NAFLD 进展为 NASH 的结果为 0.84，而仅使用临床数据时的结果为 0.82。使用 RF、SVM 和 kNN 模型对基因组学数据进行分类以对慢性乙型肝炎的免疫耐受期进行分类的结果为 0.8793–0.8838，而使用各种血清生物标志物时的结果为 0.6759–0.7276。总体而言，与仅基于临床参数建立的模型相比，整合组学可以提高预测性能，表明个性化医疗在临床环境中具有潜在用途。
人工智能应用于肝病组学数据
主要关键词
相关文件推荐
