面向生物医学数据的自动化统计预处理与机器学习（AutoML）软件方法开发与应用

　　本文推荐一款集成化软件方法IDEA，该系统通过模块化封装R包实现自动化数据预处理、统计检验、生存分析及机器学习（ML）建模，有效降低非专业用户进行生物医学大数据分析的门槛，推动临床预测模型与生物标志物发现的标准化进程。

　　

Highlight

Scope of the software methodology

本方法旨在通过（1）自动化数据预处理，（2）实现统计评估与生存分析，以及（3）促进机器学习模型开发与验证，降低临床数据分析门槛。下文模块1、2、3分别详述临床相关的预处理、统计分析和机器学习技术。功能清单及软件依赖包见补充材料。

Use-case scenario: clinical survival analysis

本案例演示了[44,45]中采用既定统计分析方法分析胶质母细胞瘤患者非靶向代谢组数据与生存期的关联（图4）。代谢组数据源自手术切除获得的肿瘤"核心"与"边缘"组织样本[74]，旨在识别与患者生存相关的代谢物并构建关键代谢物风险评分。

Promoting good practice in biomedical data analysis

本研究通过新型软件方法IDEA提供用户友好的强大数据分析工具，加速临床生存分析、生物标志物发现及预测模型开发/验证。相较于适用于空间与影像数据分析的专有软件平台[76]，IDEA专为组学与临床表格数据设计，通过自动化流程促进分析可重复性。

Ethics Statement

本研究所有工作均符合相关法律及机构规范，未涉及人体或动物实验。

CRediT authorship contribution statement

Hunter A. Miller: 撰写-审阅/初稿，可视化，验证，方法论，调研，形式分析，数据整理。

Dylan A. Goodin: 撰写-审阅/初稿，可视化，验证，方法论，调研，形式分析，数据整理。

Hermann B. Frieboes: 撰写-审阅，督导，资源，项目管理，方法论，资金获取，概念化。

Conclusions

我们预期该软件方法在临床与研究环境的进一步测试将推动生物医学数据分析自动化的发展。