摘要：在肺癌、乳腺癌临床指标上Stable Cox与其他方法在多个人群、独立测试集上的C-index比较，以及预后亚型人群分组结果和top10标志物分析结论从队列的回顾性研究中发现稳定的标志物用于前瞻性研究是机器学习方法用于实际医疗场景中的关键和难题。然而，现有标志
在肺癌、乳腺癌临床指标上Stable Cox与其他方法在多个人群、独立测试集上的C-index比较，以及预后亚型人群分组结果和top10标志物分析结论从队列的回顾性研究中发现稳定的标志物用于前瞻性研究是机器学习方法用于实际医疗场景中的关键和难题。然而，现有标志物识别技术的泛化能力较差，仅在与训练数据相似的患者样本中有效，无法应用于多样化的开放环境样本。这些问题使得传统技术发现的标志物难以通过前瞻性测试，不仅导致研发资源的巨大浪费，还阻碍了医药领域的进一步发展，迫切需要开发能够在异质性数据中精确识别并具有高泛化能力的生物标志物的新技术，以实现疾病的早期准确诊断，满足社会对健康保障的需求。这项研究提出的稳定生存分析方法旨在通过变量独立使得发现稳定预后标志物成为可能，同时该研究也将呼唤研究界重视机器学习方法在医疗等关键领域应用的稳定性和可靠性。本文通讯作者清华大学崔鹏副教授、国家蛋白质科学中心常乘副研究员。共同第一作者分别是清华范少华博士、徐韧喆博士（目前是上海财经大学助理教授），国家蛋白质科学中心（北京）博士研究生董乾。其他作者还包括清华何玥博士。该工作得到了人体蛋白质组导航（π-HuB）国际大科学计划的支持。参考资料：https://www.nature.com/articles/s42256-024-00932-5 来源：不就是你屈
免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!