用于将精准医学整合到临床实践中的肺癌多组学数字人体化身 (LANTERN)

患者登记和组学数据收集 该工作组的目标是从所有基于临床和组学的数据源收集信息，这些数据源被认为对肺癌综合诊断和治疗工作流程中的决策支持具有临床意义。 将开发一个结构化的术语系统，用于通过特定的病例报告表 (CRF) 收集前瞻性数据。

患者将由专门的研究登记中心登记，从五个基于组学的变量中获得的数据将被收集并记录在一个安全的数据库中。

组学数据存档和交互性 该工作组的主要目的是允许将数据完整集成到现有和新的存档系统中，并确保轻松有效地使用和共享收集的组学数据。

所有收集到的代表不同组学领域的数据都将根据共享的通用本体进行记录。 共享的通用本体将代表一个用于数据归档和分析的结构化术语系统，其中所有不同的组学领域都将记录在一个特定的 eCRF 中，确保所有收集的数据变量的一致性。 最后，收集到的组学相关数据将进行放射组学分析，提取放射组学特征。

组学数据建模、数字化身 (DHA) 创建和验证

该 WP 专注于开发准确的预测模型（通过创建数字人类化身 (DHA)）及其验证。 该 WP 的目的是确定有效的主要生物标志物，通过紧凑的统计模型协调它们，并随后创建每个患者独有的患者特异性 DHA。 我们计划将所有上述组学数据整合到预测模型中，这些模型将代表完全个性化和创新的肺癌综合决策支持系统的基础。 本次WP分为三个阶段：

第 1 阶段：组学特征识别和选择第 2 阶段：预测模型开发和 DHA 创建第 3 阶段：预测模型和 DHA 验证

组学特征识别和选择：

在第一步中，对来自约 240 名 NSCLC 患者的估计的所有收集数据集进行探索性分析，将启动生物标志物识别过程，并将信息量限制在更多选定的潜在生物标志物池中。 第一阶段将采用稳健的数据分析技术，以便在单变量设置中识别相关变量，同时考虑个体统计分布、特征相关相关性和一般描述性统计。

预测模型开发和 DHA 创建：

第二阶段的目标是创建多个不同但模块化的多变量模型，这些模型将通过先进的 ML 和 AI 技术进行训练，细分为特定的感兴趣的模块化区域，并随后创建 DHA。 将开发不同的监督模型，包括逻辑回归、决策树、支持向量机、随机森林、XGBoost 分类器和人工神经网络。 k 折交叉验证将用于超参数调整，并将执行 ML 模型性能的统计显着性比较。 这样做是为了根据准确性（根据患者总数正确分类的受试者数量）和精度（总测试阳性的真阳性、召回率（灵敏度）、F1 分数（2*精度*召回率/（精度+recall)) 和 AUC-ROC。

DHA 的创建将涉及将特定算法集成到数据提取管道中以清理和重组数据流，同时将文本挖掘和自然语言处理技术应用于非结构化文本。 然后，将通过专门指定的本体对这种预处理的结果进行重新编码，以揭示重复项。 这导致创建数据集市，数据集市将使用新数据连续自动更新。 基于已处理的可用数据，开发的算法及其底层基础设施将用于对临床医生使用该界面输入的新更新患者数据进行分类。 通过动态界面呈现的结果数据允许对数据库中已存在的先前添加的患者数据进行彻底探索，以根据历史数据和临床医生的经验推断出最佳行动方案。 这将导致更通用的探索工作流，该工作流将充当用户的假设生成器，通过基于自定义标准的聚类信息，从而生成可用数据的探索性分析。

研究人员估计，大约 300 例具有完整数据的 NSCLC 病例足以启动这一过程。 用户友好性和模型可解释性都将作为模型开发策略的主要标准。 易于解释的值，例如 SHAP（SHapley Additive exPlanations）值将附加到每个模型，以避免任何可能使模型输出难以在患者与临床医生互动期间向患者解释的黑盒方法。

预测模型和 DHA 验证：将对开发的模型和综合 DHA 进行验证，以测试它们的稳健性、可转移性和普遍性。 将分别采用两种连续的验证策略：内部验证技术和外部验证技术。 我们估计启动验证过程的 NSCLC 病例总数约为 420 例。 此过程将包括内部和外部验证。