基于患者来源异种移植的高维精准医疗
机器学习
2019-12-17 v1 机器学习
基因组学
应用统计
统计方法学
摘要
人类癌症的复杂性常导致治疗反应的显著异质性。精准医疗通过利用这种异质性,有潜力改善患者预后。个体化治疗规则(ITR)将精准医疗形式化为从患者协变量空间到允许治疗空间的映射。最优 ITR 是在目标人群中最大化临床结局均值的规则。患者来源异种移植(PDX)研究允许在单个肿瘤内评估多种治疗,因此非常适合于估计最优 ITR。PDX 数据的特征为相关结局、高维特征空间以及大量治疗。现有的最优 ITR 估计方法未能利用 PDX 数据的独特结构,也不能很好地应对相关挑战。本文中,我们探索从 PDX 数据估计最优 ITR 的机器学习方法。我们分析一项大型 PDX 研究的数据,以识别对多种癌症制定个性化治疗建议有信息价值的生物标志物。我们使用基于回归的方法(如 Q-learning)和直接搜索方法(如结果加权学习)来估计最优 ITR。最后,我们实施超级学习器(superlearner)方法以组合一组估计的 ITR,并表明所得 ITR 优于任一输入 ITR,从而减轻了用户对特定 ITR 估计方法选择的不确定性。我们的结果表明,PDX 数据是开发肿瘤学个体化治疗策略的宝贵资源。
引用
@article{arxiv.1912.06667,
title = {High dimensional precision medicine from patient-derived xenografts},
author = {Naim U. Rashid and Daniel J. Luckett and Jingxiang Chen and Michael T. Lawson and Longshaokan Wang and Yunshu Zhang and Eric B. Laber and Yufeng Liu and Jen Jen Yeh and Donglin Zeng and Michael R. Kosorok},
journal= {arXiv preprint arXiv:1912.06667},
year = {2019}
}