使用贝叶斯神经网络预测治疗下的癌症动态：一项模拟研究

由于患者间的高度异质性、缺乏预测性生物标志物以及稀疏且嘈杂的纵向数据，预测治疗下的癌症动态具有挑战性。数学模型可以通过每个患者的少数可解释参数来概括癌症动态。然后可以训练机器学习方法从基线协变量预测模型参数，但不考虑参数估计中的不确定性。相反，分层贝叶斯建模可以通过机制参数建模基线协变量与纵向测量之间的关系，同时考虑模型每个部分的不确定性。从基线协变量到模型参数的映射可以通过多种方式建模。线性映射简化了推断，但无法捕捉非线性协变量效应，并且在协变量数量较多时，交互建模的扩展性较差。相比之下，贝叶斯神经网络可以自动发现协变量之间的交互，但计算复杂度显著增加。在这项工作中，我们开发了一个亚群体动态的分层贝叶斯模型，利用基线协变量信息预测治疗下的癌症动态，灵感来自多发性骨髓瘤（MM）中的癌症动态，其中血清M蛋白是肿瘤负荷的众所周知替代指标。作为工作示例，我们将该模型应用于模拟数据集，并将其预测M蛋白轨迹的能力与具有线性协变量效应的模型进行比较。我们的结果表明，当存在协变量交互时，贝叶斯神经网络协变量效应模型比线性协变量效应模型更准确地预测癌症动态。该框架也可以应用于其他类型的癌症或其他可以用参数模型描述的时间序列预测问题。