.png){kind=icon}
返回
Enhancing Tree-Based Machine Learning for Personalized Drug Assignment
.png){kind=icon}
OA
AI
DOI：10.3390/app151910853.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
个性化药物选择对于治疗急性髓系白血病等复杂疾病至关重要，其中最大化治疗效果是必不可少的。尽管精准医学旨在根据个体分子特征定制治疗方案，但现有的机器学习模型在从多种候选药物中选择最佳药物时往往效果不佳。我们提出了SEATS（基于治疗效果分配治疗座位的系统化效能分配）方法，该方法通过根据治疗效果为药物分配概率性治疗座位，以适应随机森林和XGBoost等传统模型进行多分类药物分配。这一方法有助于模型学习临床相关的差异。此外，我们还评估了一个专门为药物分配设计的可解释最优决策树（ODT）模型。在BeatAML2队列上训练并在GDSC AML细胞系数据集上验证后，将SEATS与随机森林和XGBoost结合使用提高了预测准确性和一致性。ODT模型提供了具有竞争力的性能，具有清晰的、可解释的决策路径和最小的特征需求，便于临床应用。SEATS使标准模型重新聚焦于个性化药物选择。结合ODT框架，它为精准肿瘤学提供了有效且可解释的策略，突显了定制化机器学习解决方案在支持现实世界治疗决策中的潜力。
Keyword:
precision medicine
drug assignment
decision trees
machine learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
2.5
论文数:
7.3K
被引数:
4
机构
引用论文
Predicting Drug Response and Synergy Using a Deep Learning Model of Human Cancer Cells.png)
Cancer CellOAAI
Cancer CellIF0
OAAI分享收藏
分享收藏Precision oncology: a review to assess interpretability in several explainable methods精确肿瘤学: 评估几种可解释方法的可解释性的综述OAAI
OAAI分享收藏RefDNN: a reference drug based neural network for more accurate prediction of anticancer drug resistanceSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容