机器学习获得诺贝尔物理学奖，辅助流行病学研究快速锁定关键靶标

研究摘要 Abstract

骨关节炎（OA）影响全球数百万人，导致他们多年疼痛和残疾。随着年龄的增长，颞下颌关节骨关节炎（TMJ-OA）会引起慢性残疾。颞下颌关节是研究OA早期骨变化的独特模型，因为关节骨表面仅被颞下颌关节髁中的一层薄薄的纤维软骨覆盖。TMJ-OA是一种多系统性疾病，涉及众多病理生理过程，需要全面评估进行性软骨退化、软骨下骨重塑和慢性疼痛的特征。

研究者希望在OA患者骨形态退化发生之前进行诊断并干预。于是建立了4个模型Logistic Regression, Random Forest, LightGBM, XGBoost，综合评估了52个临床、生物学和高分辨率CBCT（影像组学）标志物。建模的特征包括：是否头痛，张口无疼痛范围，Haralick相关性，熵和TGF-β1在唾液中的相互作用，血清中的VE-钙粘蛋白和唾液中的血管生成素等。结果表明，具有这些特征和交互作用的XGBoost + LightGBM模型在诊断TMJ-OA状态时准确率达到了0.823，AUC 0.870和F1得分0.823。因此，研究团队希望促进未来对骨关节炎患者特定治疗干预的研究，从而改善关节的健康。

研究结果

基于网络的平台，用于存储和计算临床、影像组学和生物分子标记的数据分析

用Data Storage for Computation and Integration (DSCI)存储和集成来自多个来源的患者信息进行数据管理。DCSI通过Data Base lnteractor插件与3D Slicer平台通信，允许用户上传临床，成像和生物标志物。

对照组和TMJ-OA患者组的放射学特征、生物学特征和影像学特征研究

放射学特征主要集中在下颌髁小梁骨的初始形态变化(Table 2）；生物学特征与颞下颌关节滑膜中检测到的VE-cad，ANG，TGF-β1和PAI-1与OA患者的髁突形态相关（RayBio 定制抗体芯片,Figure 2）；影像学特征与疼痛相关或受疼痛限制相关(Table 3）。

研究结论 Conclusion

 

总之，深入统计学习分析是基于52个单独特征和多个交互特征综合分析。研究人员筛选了每个特征的诊断性能（图3-5），并根据最相关的蛋白、临床、影像学特征构建了机器学习模型。研究人员的最终预测模型使用LightGBM + XGBoost预测TMJ-OA状态的准确率为0.823（SD：0.029），具有1378个特征交互作用。重要的是，研究团队展示了新工具、数据采集、管理和方法的全面整合，以改善关节健康并预测患者特定的TMJ-OA状态。