Клиническая фармакология:

машинное обучение и нейросети для оценки выживаемости при лечении немелкоклеточного рака легкого химиотерапией

Сидорова Маргарита Кирилловна, мнс Биологического факультета МГУ

Жуденков Кирилл Владимирович, кандидат физических наук, руководитель проекта

�

Курс «Нейронные сети и их применение в научных исследованиях»

Анализ выживаемости

Клиническая фармакология: машинное обучение для анализа выживаемости

Методы анализа выживаемости

Анализ выживаемости

Методы анализа выживаемости

Клиническая фармакология: машинное обучение для анализа выживаемости

Анализ выживаемости

Клиническая фармакология: машинное обучение для анализа выживаемости

Цели и задачи

Цель – анализ выживаемости пациентов с немелкоклеточным раком легкого при лечении Доцетакселем, выявление наиболее значимых биомаркеров

​

Задачи:

1) Анализ независимых от времени ковариат:

• сравнение моделей машинного обучения, нейросетей и классических методов,
• поиск значимых ковариат

2) Анализ зависимых от времени ковариат:

• предобработка лонгитюдных ковариат
• сравнение моделей машинного обучения, нейросетей и классических методов, учитывающих дискретные и предобработанные лонгитюдные ковариаты
• поиск значимых ковариат

3) Сравнение результатов моделей, обученных на дискретных ковариатах, и моделей, обученных на дискретных и лонгитюдных ковариатах

​

Клиническая фармакология: машинное обучение для анализа выживаемости

Данные

1) Project datasphere

2) Табличные

3) Особенности:

• целевая переменная – «время до события»,
• цензурирование,
• дискретые и лонгитюдные ковариаты,
• пропущенные значения

4) 1700 пациентов

5) Обучение – 80%, тест – 20%, 5 фолдов кроссвалидации

​

​

​

​

Клиническая фармакология: машинное обучение для анализа выживаемости

Модели и Алгоритмы

Особые алгоритмы машинного обучения, адаптированные для оценки рисков наступления события, работы с парадигмой моделей выживаемости и учета цензурирования данных

​

Модели:

1) Traditional Cox proportional hazard model (Coxph),

2) Extended Cox proportional hazard model (TimeVaryingCoxph)

3) Random survival forest (RSF),

4) Cox-based gradient boosting machine (gbm),

5) CoxTime neural network

6) Deepsurv (CoxPH) neural network

7) Nnet-survival neural network

8) DeepHit neural network

​

​

​

​

Метрики:

​

​

​

• Time-dependent brier score,
• Integrated brier score,
• Harrell’s concordance index,

​

​

​

Клиническая фармакология: машинное обучение для анализа выживаемости

Архитектура нейронных сетей

Клиническая фармакология: машинное обучение для анализа выживаемости

Сoncordance index – сравнение показателей моделей

Клиническая фармакология: машинное обучение для анализа выживаемости

Модели машинного обучения значительно возросли в точности при учете лонгитюдных ковариат

​

​

​

Модели, не учитывающие динамику ковариат

Клиническая фармакология: машинное обучение для анализа выживаемости

​

​

​

Модели, учитывающие динамику ковариат

Наиболее точная модель

IBS = 12.8

Клиническая фармакология: машинное обучение для анализа выживаемости

Поиск значимых биомаркеров

Клиническая фармакология: машинное обучение для анализа выживаемости

Выводы

1. Разработан алгоритм для включения динамики биомаркеров в модели выживаемости. Метод показал более высокие результаты, чем классический анализ TimeVaryingCoxph
2. Продемонстрировано, что учет лонгитюдных биомаркеров приводит к значительному увеличению точности моделей машинного обучения, нейросетей
3. Выявлено, что динамика размеров опухоли является наиболее значимой ковариатой. Также модели показали важность учета динамики алкалин фосфатазы

​

​

Клиническая фармакология: машинное обучение для анализа выживаемости