$阿斯利康(AZN.US)

阿斯利康开发生物标志物预测 AI——PBMF

昨天，阿斯利康（AstraZeneca）公司肿瘤数据科学部 Etai Jacob、Gustavo Arango-Argoty 共同通讯在《Cancer cell》发表论文 “AI-driven predictive biomarker discovery with contrastive learning to improve clinical trial outcomes”，开发了基于对比学习的预测性生物标志物建模框架（PBMF），一种基于神经网络的方法，能系统且无偏地探索潜在的预测性生物标志物。

背景：在现代医学领域，临床试验为每位个体生成了大量的临床基因组数据。然而，对个性化治疗至关重要的预测性生物标志物的发现仍然是一个重大挑战。预测性生物标志物与预后生物标志物不同，前者用于识别可能从特定疗法中获益的患者，而后者则与无论采用何种治疗的总体疾病结局相关。

PBMF 在各种数据集上进行了全面评估，并取得了显著成果。在模拟现实场景的合成数据集中，PBMF 的表现优于 SIDES 和虚拟孪生（VT）等现有方法。当在 9 项涵盖真实世界数据、不同癌症和非癌症适应症以及免疫肿瘤学（IO）临床试验不同阶段的多样化临床研究中与这些方法进行对比时，PBMF 始终能够识别出预测性生物标志物。

在乳腺癌和糖尿病视网膜病变研究的生存分析中，PBMF 展现出优势。在乳腺癌研究中，当识别预测激素治疗联合化疗能带来更长生存期的生物标志物时，PBMF 在测试数据集中成功作为预测性生物标志物进行泛化，而 VT 和 SIDES 则未能做到。在糖尿病视网膜病变研究中，PBMF 也识别出了预测性生物标志物，而 VT 和 SIDES 主要识别出的是预后生物标志物。