Ανάπτυξη μεθοδολογίας τεχνητής νοημοσύνης στην ανάλυση πρωτεομικών προφίλ για την αναγνώριση βιοδεικτών που σχετίζονται με την εξέλιξη του καρκίνου παχέος εντέρου

Abstract

Ο καρκίνος του παχέος εντέρου (Colorectal Cancer - CRC) αποτελεί την τρίτη συχνότερη μορφή καρκίνου παγκοσμίως, με τη φυσική του εξέλιξη, την Ακολουθία Αδενώματος-Καρκινώματος, να διαρκεί 10 έως 15 έτη και να προσφέρει ένα κρίσιμο παράθυρο για πρώιμη διάγνωση. Η πα- ρούσα διπλωματική εργασία διερευνά τη δυνατότητα διαχρονικής πρωτεομικής ανάλυσης πλάσμα- τος αίματος με μεθόδους Μηχανικής Μάθησης για την τριπλή ταξινόμηση ασθενών σε Healthy, Adenoma και Cancer, αξιοποιώντας μετρήσεις σε δύο χρονικά σημεία (T0, T1). Η μελέτη χρησι- μοποιεί πρωτεομικά δεδομένα Φασματομετρίας Μάζας από N = 62 ασθενείς, μέσω μη επεμβα- τικής υγρής βιοψίας. Σχεδιάστηκαν και αξιολογήθηκαν πέντε διαδοχικά πειράματα: Vanilla RNN με μηχανισμό προσοχής, LSTM, σύγκριση μεθόδων συνόλου (Random Forest, Random Subspace, Rotation Forest, Custom Cascade Forest) και Logistic Regression, βελτιστοποίηση με GridSearch, Voting, Stacking και SMOTE, και αυστηρή στατιστική αξιολόγηση μέσω Nested CV, Permutation Tests και Bootstrap Confidence Intervals. Η αρχική υπόθεση ήταν ότι θα κυριαρχούσαν οι αρχιτε- κτονικές Βαθιάς Μάθησης, ωστόσο τα πειράματα ανέδειξαν την Logistic Regression ως νικητή, έναντι Vanilla RNN και LSTM. Η χρονική πληροφορία ωφέλησε ιδιαίτερα τη γραμμική μοντελο- ποίηση (+8.2% έναντι του στατικού baseline), επιβεβαιώνοντας τη διαγνωστική αξία της διαχρο- νικής προσέγγισης. Για την κλάση CRC, το μοντέλο πέτυχε Sensitivity 68.8%, Specificity 84.8% και NPV 88.6%, ενδείξεις δυνητικής χρησιμότητας ως εργαλείο πρώτου σταδίου ελέγχου (triage). Πέρα από την ταξινόμηση, εντοπίστηκαν τρεις πρωτεΐνες με σαφή βιολογική σημασία ως υποψή- φιοι βιοδείκτες: η MMP12 (Macrophage Metalloelastase), η AREG (Amphiregulin, EGFR ligand) και η L1CAM (L1 Cell Adhesion Molecule). Η L1CAM ιδιαίτερα, αν και κατέλαβε μόλις την 7η θέση στη μονομεταβλητή ANOVA ανάλυση, αναδείχθηκε ως το #1 χαρακτηριστικό στην πολυμε- ταβλητή ανάλυση Random Forest, υποδεικνύοντας ότι η σημασία της εκδηλώνεται μέσω συνδυα- σμού με άλλες πρωτεΐνες. Η εργασία αναδεικνύει συγκεκριμένους υποψήφιους βιοδείκτες για τον CRC με στατιστικά σημαντικά αποτελέσματα και προτείνει ένα ολοκληρωμένο πλαίσιο σύγκρισης οικογενειών αλγο- ρίθμων και αυστηρής στατιστικής επικύρωσης για βιοϊατρικά datasets μικρού μεγέθους