肺结节的非侵入性诊断使用循环的tsRNA-based nomogram 进行
Qinglin Wang1,2, Xuming Song1,2, Feng Zhao3
1Department of Thoracic Surgery, Jiangsu Cancer Hospital, Jiangsu Institute of Cancer Research, Nanjing Medical University Affiliated Cancer Hospital, Nanjing, China.
Cancer science
|September 28, 2023
概括
使用循环的微小非编码RNAs (tsRNAs) 和CT扫描的新诊断模型可以准确预测恶性肺结节. 这种工具可以改善诊断,减少不必要的程序,并优化肺癌患者的手术计划.
科学领域:
- 分子诊断学 分子诊断学
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
背景情况:
- 准确的肺结节诊断至关重要,以避免不必要的低剂量计算机断层扫描 (LDCT) /CT扫描和侵入性手术.
- 当前的诊断方法面临着挑战,突出了对新型诊断工具的迫切需要.
- 循环的微小非编码RNAs (tsRNAs) 显示出作为各种疾病,包括癌症的生物标记物的潜力.
研究的目的:
- 建立一个整合tsRNA特征和CT信息的名录,用于预测恶性肺结节.
- 评估开发模型的诊断准确性和临床实用性,以区分恶性和良性肺结节.
- 评估模型区分侵袭性恶性病变与非侵袭性病变的能力.
主要方法:
- 使用随机森林算法识别了五个循环的tsRNAs (tRF-Ser-TGA-003,tRF-Val-CAC-005,tRF-Ala-AGC-060,tRF-Val-CAC-024和tiRNA-Gln-TTG-001) 的诊断特征.
- 通过将tsRNA签名与计算机断层扫描 (CT) 成像数据相结合,构建了一个名图.
- 该模型的性能在内部和外部使用来自三个肺癌中心的249名患者的血液样本进行了验证.
主要成果:
- 基于tsRNA的诺米图在预测恶性肺结节方面表现出很高的准确性,AUC为0.930 (内部验证) 和0.943 (外部验证).
- 该模型在两个验证队列中都获得了出色的灵敏度 (100.0%),并具有高的特异性 (73.8%内部,86.8%外部).
- 该模型还在诊断侵入性恶性病变方面表现出强的表现,AUC从0.784到0.850不等.
结论:
- 结合循环的tsRNA和CT信息的新型诊断模型可以准确预测恶性肺结节.
- 这种基于tsRNA的方法具有显著的潜力,可以提高肺结节诊断的准确性.
- 该模型可以优化手术规划,减少对重复或侵入性诊断程序的需求.
