توقع مستقبل سرطان الثدي: تقييم نماذج التعلم الآلي باستخدام بيانات متعددة الأبعاد

في عصر المعلومات الكبيرة، يمثل سرطان الثدي تحديًا كبيرًا يتطلب أساليب مبتكرة للتشخيص والتنبؤ. تكشف دراسة حديثة عن أهمية حالة مستقبل هرمون الإستروجين (ER) كعلامة حيوية رئيسية في تشخيص سرطان الثدي واختيار العلاجات المناسبة. مع التطورات الحديثة في تقنيات التسلسل الجيني العالية الإنتاجية، أصبحت لدينا القدرة على استخدام مجموعات بيانات متعددة الأبعاد تشمل البيانات النسخية (RNA) والجينية (CNV) والبروتينية (RPPA) لتقديم رؤى أكثر دقة.

تتناول الدراسة الجديدة تقييمًا منهجيًا لنماذج التعلم الآلي الكلاسيكية لتوقع حالة ER باستخدام بيانات من مجموعة TCGA-BRCA. استخدم الباحثون إطار عمل تجريبي صارم يتضمن تقسيم البيانات والتقييم المتقاطع المتوازن، مما يسمح بتقييم موثوق ويحول دون تسرب البيانات.

قد تم تقييم نماذج مختلفة بما في ذلك Random Forest وXGBoost وLightGBM وCatBoost وآلات الدعم الناقل (SVM) والانحدار اللوجستي، وذلك في سياقات أحادية الأبعاد ومتعددة الأبعاد. النتائج أظهرت أن التعبير الجيني RNA قدم إشارة تنبؤية قوية، بينما دمج المعلومات من مصادر متعددة حقق تحسينات متواضعة ولكن ثابتة.

من بين جميع الأساليب المدروسة، حقق نموذج Random Forest أفضل أداء عام في الإعداد المتكامل متعدد الأبعاد، حيث سجل دقة متوازنة وصلت إلى 90.3% ومساحة تحت منحنى ROC بلغت 97.1%.

علاوة على ذلك، ساهم الاختيار المتكرر لجينات ذات صلة بيولوجية مثل ESR1 وPGR وFOXA1 وGATA3 في التأكيد على صحة النماذج المستخلصة. هذه النتائج تشير إلى أن نماذج التعلم الآلي الكلاسيكية تبقى فعالة للغاية للتعامل مع البيانات الجينية عالية الأبعاد، وأن دمج المعلومات المتعددة الأبعاد يوفر فائدة مهمة في توقع حالة ER لدى مرضى سرطان الثدي.

لنتفاعل معكم في هذه النقطة الهامة: كيف تعتقدون أن هذه الأساليب يمكن أن تؤثر على مستقبل عمليات التشخيص والعلاج في مجال السرطان؟ شاركونا آرائكم في التعليقات.