RayBio抗体芯片+机器学习助力颞下颌关节骨关节炎患者早期发现

杂志名称:Scientific Reports

文章题目:Osteoarthritis of the Temporomandibular Joint can be diagnosed earlier using biomarkers and machine learning

第一作者:Jonas Bianchi

通讯作者:Jonas Bianchi

单位:密歇根大学,圣保罗州立大学

本实验所用产品:定制人类定量抗体芯片

实验样品类型:唾液和血清


研究摘要

Abstract

骨关节炎(OA)影响全球数百万人,导致他们多年疼痛和残疾。随着年龄的增长,颞下颌关节骨关节炎(TMJ-OA)会引起慢性残疾。颞下颌关节是研究OA早期骨变化的独特模型,因为关节骨表面仅被颞下颌关节髁中的一层薄薄的纤维软骨覆盖。TMJ-OA是一种多系统性疾病,涉及众多病理生理过程,需要全面评估进行性软骨退化、软骨下骨重塑和慢性疼痛的特征。

研究者希望在OA患者骨形态退化发生之前进行诊断并干预。于是建立了4个模型Logistic Regression, Random Forest, LightGBM, XGBoost,综合评估了52个临床、生物学和高分辨率CBCT(影像组学)标志物。建模的特征包括:是否头痛,张口无疼痛范围,Haralick相关性,熵和TGF-β1在唾液中的相互作用,血清中的VE-钙粘蛋白和唾液中的血管生成素等。结果表明,具有这些特征和交互作用的XGBoost + LightGBM模型在诊断TMJ-OA状态时准确率达到了0.823,AUC 0.870和F1得分0.823。因此,研究团队希望促进未来对骨关节炎患者特定治疗干预的研究,从而改善关节的健康。

图片


研究结果

Part.

1

基于网络的平台,用于存储和计算临床、影像组学和生物分子标记的数据分析

Data Storage for Computation and Integration (DSCI)存储和集成来自多个来源的患者信息进行数据管理。DCSI通过Data Base lnteractor插件与3D Slicer平台通信,允许用户上传临床,成像和生物标志物。

图片

Part.

2

对照组和TMJ-OA患者组的放射学特征、生物学特征和影像学特征研究

放射学特征主要集中在下颌髁小梁骨的初始形态变化(Table 2);生物学特征与颞下颌关节滑膜中检测到的VE-cad,ANG,TGF-β1和PAI-1与OA患者的髁突形态相关RayBio 定制抗体芯片,Figure 2);影像学特征与疼痛相关或受疼痛限制相关(Table 3)

图片
图片
图片

Part.

3

用上述特征进行TMJ-OA的特征选择和模型构建

评估了52个特征。大多数有效AUC值的是临床或影像组学的特征(AUC>0.65);生物学特征差异不显著,然而,临床或影像组学的特征与生物学特征的相互作用可以达到0.74的AUC(图3C),并且对TMJ-OA的预测有很大的贡献。
图片

Part.

4

主要特征和交互特征诊断TMJ-OA

蛋白与临床和影像组学特征的相互作用在诊断中十分重要,带有交互特征的XGBoost + LightGBM模型是最优的,可实现准确率0.823、AUC 0.870和F1得分0.823的最佳表现。
图片

研究结论

Conclusion

总之,深入统计学习分析是基于52个单独特征和多个交互特征综合分析。研究人员筛选了每个特征的诊断性能(图3-5),并根据最相关的蛋白、临床、影像学特征构建了机器学习模型。研究人员的最终预测模型使用LightGBM + XGBoost预测TMJ-OA状态的准确率为0.823(SD:0.029),具有1378个特征交互作用。重要的是,研究团队展示了新工具、数据采集、管理和方法的全面整合,以改善关节健康并预测患者特定的TMJ-OA状态。



分享