Establishment and Analysis of a Combined Diagnostic Model of Polycystic Ovary Syndrome with Random Forest and Artificial Neural Network
Xie NN., Wang FF., Zhou J., Liu C., Qu F.
การศึกษาในห้องปฏิบัติการ ตีพิมพ์ในวารสาร Biomed Res Int ปี 2020 — สรุปอัตโนมัติจากบทคัดย่อ PubMed
หลักฐานจากการศึกษาในห้องปฏิบัติการและสัตว์ทดลอง เป็นรากฐานที่ช่วยให้เข้าใจกลไกและศักยภาพก่อนการศึกษาในมนุษย์ต่อไป
- ระดับ A · หลักฐานทางคลินิกค่อนข้างแข็งแรง
- ระดับ B · หลักฐานทางคลินิกที่กำลังเติบโตและมีสัญญาณเชิงบวก
- ระดับ C · งานวิจัยในมนุษย์ระยะต้นที่กำลังสำรวจประโยชน์
- ระดับ D · รากฐานทางวิทยาศาสตร์จากห้องปฏิบัติการและสัตว์ทดลอง
- กำลังศึกษาเพิ่มเติม · หัวข้อใหม่ที่นักวิจัยกำลังสำรวจอย่างต่อเนื่อง
ข้อมูลหน้านี้ดึงมาจากฐานข้อมูล PubMed โดยตรง คำอธิบายภาษาไทยเป็นสรุปอัตโนมัติจากข้อมูลบรรณานุกรมและบทคัดย่อ ไม่ใช่การแปลทั้งฉบับ และไม่ใช่คำแนะนำทางการแพทย์
- ประเภทการศึกษา
- การศึกษาในห้องปฏิบัติการ
- วารสาร
- Biomed Res Int (2020)
- จำนวนผู้เข้าร่วม (จากบทคัดย่อ)
- —
- แหล่งข้อมูล
- Europe PMC
- PMID
- 32884937
- PMCID
- PMC7455828
- DOI
- 10.1155/2020/2613091
- จำนวนการอ้างอิง
- 28
บทคัดย่อ (ต้นฉบับภาษาอังกฤษ)
Polycystic ovary syndrome (PCOS) is one of the most common metabolic and reproductive endocrinopathies. However, few studies have tried to develop a diagnostic model based on gene biomarkers. In this study, we applied a computational method by combining two machine learning algorithms, including random forest (RF) and artificial neural network (ANN), to identify gene biomarkers and construct diagnostic model. We collected gene expression data from Gene Expression Omnibus (GEO) database containing 76 PCOS samples and 57 normal samples; five datasets were utilized, including one dataset for screening differentially expressed genes (DEGs), two training datasets, and two validation datasets. Firstly, based on RF, 12 key genes in 264 DEGs were identified to be vital for classification of PCOS and normal samples. Moreover, the weights of these key genes were calculated using ANN with microarray and RNA-seq training dataset, respectively. Furthermore, the diagnostic models for two types of datasets were developed and named neuralPCOS. Finally, two validation datasets were used to test and compare the performance of neuralPCOS with other two set of marker genes by area under curve (AUC). Our model achieved an AUC of 0.7273 in microarray dataset, and 0.6488 in RNA-seq dataset. To conclude, we uncovered gene biomarkers and developed a novel diagnostic model of PCOS, which would be helpfu
สิ่งที่งานวิจัยนี้ไม่ได้พิสูจน์
- • งานวิจัยนี้ไม่ได้พิสูจน์ว่า SVF เป็นการรักษาที่ได้รับการรับรอง หรือใช้แทนการรักษามาตรฐานได้
- • เป็นการศึกษาก่อนคลินิก ผลในสัตว์ทดลองหรือห้องปฏิบัติการไม่สามารถนำมาสรุปผลในมนุษย์ได้
ระดับหลักฐาน
หลักฐานจากการศึกษาในห้องปฏิบัติการและสัตว์ทดลอง เป็นรากฐานที่ช่วยให้เข้าใจกลไกและศักยภาพก่อนการศึกษาในมนุษย์ต่อไป
ดูวิธีจัดระดับหลักฐานดูงานวิจัยทั้งหมดที่เกี่ยวข้อง
กรองห้องสมุดงานวิจัยด้วยชื่อเรื่อง ชื่อผู้เขียน หรือปีที่ตีพิมพ์ของงานวิจัยนี้