Aprendizaje Automático Con Reducción Dimensional K-Means Para Predecir Resultados de Supervivencia en Pacientes con Cáncer de Mama

OBJETIVO: A pesar de los marcadores pronósticos existentes, el pronóstico del cáncer de mama sigue siendo un tema difícil debido a las complejas relaciones entre muchos factores contribuyentes y la supervivencia. Este estudio busca integrar múltiples factores clínico-patológicos y genómicos con reducción dimensional a través de algoritmos de aprendizaje automático para comparar predicciones de supervivencia. MÉTODOS: Este es un análisis secundario de los datos de un estudio de cohorte prospectivo de pacientes femeninas con cáncer de mama inscritas en el Consorcio Internacional de Taxonomía Molecular del Cáncer de Mama (METABRIC). Construimos una serie de modelos predictivos: modelos de conjunto (Gradient Boosting y Random Forest), máquina de soporte vectorial (SVM) y redes neuronales artificiales (ANN) para la supervivencia a 5 años basada en datos clínico-patológicos y de expresión génica después de la agrupación K-means con clasificación K-vecinos más cercanos (KNN). El rendimiento del modelo se evaluó mediante la curva de características operativas del receptor (ROC), precisión y pendiente de calibración (CS). Se evaluó la estabilidad del modelo durante 10 ejecuciones aleatorias en términos de ROC, precisión, CS e importancia de las variables. RESULTADOS: La cohorte analítica está compuesta por 1874 pacientes con cáncer de mama. En general, la edad media fue de 62 años; la tasa de supervivencia a 5 años fue del 75%. ROC y precisión no fueron significativamente diferentes entre los modelos (ROC y precisión alrededor de 0.67 y 0.72 entre los modelos, respectivamente). Sin embargo, los métodos de conjunto resultaron en un mejor ajuste (CS) con medidas estables de importancia de variables a través de 10 divisiones aleatorias de entrenamiento/validación. La agrupación K-means de los perfiles de expresión génica en puntos de datos de entrenamiento junto con la clasificación KNN de puntos de datos de validación fue un método robusto de reducción dimensional. Además, el clúster de expresión génica con el mayor riesgo de mortalidad fue un factor influyente en la predicción del modelo. CONCLUSIONES: Al usar métodos de aprendizaje automático para construir modelos predictivos para la supervivencia a 5 años en pacientes con cáncer de mama, demostramos la capacidad de discriminación a través de los modelos con nuevos conocimientos sobre la estabilidad y utilidad de la reducción dimensional en características genómicas en la predicción de la supervivencia en el cáncer de mama.