现代临床试验可以捕获每个人数以万计的临床基因组测量结果。采用手动方法来发现与预后标记物不同的预测生物标记物是一项具有挑战性的任务。为了应对这一挑战，我们提出了一种基于对比学习的自动化神经网络框架，我们将其命名为预测生物标志物建模框架（PBMF）。这个通用框架以系统和公正的方式探索潜在的预测生物标志物，正如在类似于临床试验的模拟“地面真实”合成场景中所证明的那样。回顾性地应用于真实的临床基因组数据集，特别是在免疫肿瘤学 (IO) 预测生物标志物发现的复杂领域，我们的算法成功地找到了生物标志物，可以识别出接受 IO 治疗的个体比接受化疗的个体存活时间更长。在回顾性分析中，我们展示了我们的框架如何通过仅基于早期研究数据发现预测生物标志物来为 3 期临床试验 (NCT02008227) 做出贡献。与原始试验相比，使用这种预测性生物标志物识别的患者的生存风险提高了 15%。这一改进是通过 PBMF 知识蒸馏生成的简单、可解释的决策树实现的。我们的框架提供了一种快速而强大的方法来告知生物标志物策略，为临床决策提供可行的结果。



"点击查看英文标题和摘要"