基于贝叶斯神经网络预测癌症治疗动力学：模拟研究

在治疗下预测癌症动力学具有挑战性，这主要源于患者间的高度异质性、缺乏预测生物标志物以及稀疏且噪声较大的纵向数据。数学模型可以通过每位患者的少数可解释参数来概括癌症动力学。机器学习方法可 then 从基线协变量训练以预测模型参数，但未能考虑参数估计的不确定性。相反，层次贝叶斯模型可通过机制参数建模基线协变量与纵向测量之间的关系，同时在模型的每个环节中考虑不确定性。从基线协变量到模型参数的映射可以以多种方式进行建模。线性映射简化了推断过程，但无法捕捉非线性协变量效应，且在协变量数量较大时对交互建模扩展性差。相比之下，贝叶斯神经网络可能自动发现协变量之间的交互作用，但计算复杂度较高。本文发展了一种子群体动力学的层次贝叶斯模型，该模型利用基线协变量信息来预测治疗下的癌症动力学，灵感来自于多发性骨髓瘤（MM）中的癌症动力学，其中血清 M 蛋白是肿瘤负荷的著名代理。作为工作示例，我们将该模型应用于模拟数据集，并比较其在预测 M 蛋白轨迹方面的能力与线性协变量效应模型的性能。我们的结果表明，当协变量存在交互作用时，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力学。该框架也可应用于其他类型的癌症或可由参数模型描述的时间序列预测问题。