创新的机器学习方法用于创建乳腺癌风险因素的全面视图

东芬兰大学和库奥皮奥大学医院最近发表的一篇文章报道了机器学习的新创新应用，以帮助了解遗传和其他乳腺癌风险因素的相互作用。

近年来的新发现已经确定了几种风险因素有助于增加乳房癌症风险。能够合并遗传(snp)和非遗传(SNPs)的方法遗传风险因素可以识别出患癌症的高风险个体，并使开发适合风险的筛查项目成为可能，以更好地预防癌症。这可能会潜在地提高BC筛查的整体性能，并导致临床资源的有效分配。研究结果发表在同行评议期刊上科学报告．

一个利用机器学习分析乳腺癌危险因素相互作用的新模型

乳腺癌风险预测的一个主要挑战是开发一个模型，该模型包含所有已知和新发现的风险因素，同时考虑它们之间的相互作用。东芬兰大学临床医学、病理学和法医学研究所开发的机器学习模型能够识别相互作用的遗传变异和乳腺癌的人口风险因素的组合，可以有效地预测乳腺癌风险。

机器学习方法基于梯度树增强方法，然后是自适应迭代搜索算法。最佳识别特征，即相互作用的snp +人口风险因素，用于预测乳房癌症的风险一个不知名的人。该分析是在Kuopio乳腺癌项目(KBCP)的数据上完成的。

已确定的基因相互作用图谱包括ESR1和FGFR1基因，它们与雌激素受体阳性乳腺癌亚型有关

有趣的是，发现与人口统计学风险因素相互作用的snp的基因相互作用图指向突出的雌激素相关链接网络(ESR1网络)。基因相互作用图谱还指向了FGFR2基因，它是非遗传性乳腺癌中最重要的遗传易感位点之一。

“由于癌症是一种由生活方式、遗传和环境因素引起的多因素疾病，对遗传变异来源的单个分析可能不足以对疾病风险形成全面的看法。在Kuopio，我们正在开发创新的机器学习方法，以结合不同来源的数据，如乳房x线照片特征，”专门从事人工智能(AI)和研究的博士后研究员Hamid Behravan总结道机器学习曼纳玛癌症研究实验室