Identification de panneaux de biomarqueurs robustes pour le dépistage du cancer du sein

Le cancer du sein reste un problème majeur de santé publique, et la détection précoce peut offrir plus d'options de traitement, cruciales pour améliorer les taux de survie. La métabolomique offre le potentiel de développer des outils de dépistage et de diagnostic basés sur le sang, moins invasifs et plus rentables. Cependant, la complexité inhérente des ensembles de données métabolomiques rend l'identification des biomarqueurs les plus pertinents sur le plan diagnostique une tâche difficile, avec plusieurs études montrant un accord limité sur les métabolites et voies spécifiques impliqués. Cette étude vise à identifier un ensemble de biomarqueurs pour le diagnostic précoce du cancer du sein en utilisant des données métabolomiques. Des échantillons de plasma de 185 patients atteints de cancer du sein et de 53 témoins (CHTN) ont été analysés. Nous avons utilisé Naïve Bayes univarié, des machines à vecteurs de support régularisées L2, et l'analyse en composantes principales (ACP), ainsi que des techniques d'ingénierie des caractéristiques, pour sélectionner les caractéristiques les plus informatives. Plusieurs modèles d'apprentissage machine, y compris les machines à vecteurs de support, le scaling multidimensionnel, la régression logistique et l'apprentissage par ensemble, ont été utilisés pour la classification. L'ensemble de caractéristiques le plus performant comprenait 4 biomarqueurs et 2 variables démographiques, atteignant une précision de 98 %, démontrant le potentiel d'un outil de dépistage et de diagnostic du cancer du sein robuste, rentable et non invasif.