集成的多组学签名,以优化肺癌的准确诊断

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 放射学 放射学是一门学科.

背景情况:

• 从不确定的肺结节 (IPL) 诊断肺癌是一个重大的临床挑战.
• 当前的诊断方法往往涉及侵入性手术,并伴有相关的风险和成本.

研究的目的:

• 开发和验证一种新的多组学模型,用于预测IPL恶性瘤风险.
• 评估与现有诊断方法对比的多组学模型的性能.

主要方法:

• 在5-甲基 (5mC) 丰富区域中整合临床,放射性和循环无细胞DNA碎片特征.
• 开发一个多学科模型 (clinic-RadmC),使用来自多个机构的IPL的2032名参与者的数据.
• 在外部测试套件上对模型的验证.

主要成果:

• 临床-RadmC模型在外部测试组上实现了0.923的曲线下面积 (AUC).
• 多omics模型的表现明显优于单omics模型和仅结合两个数据类型的模型 (p < 0.050).
• 临床RadmC指导的策略表明,有可能减少10.9%-35%的良性IPL不必要的侵入性手术,并减少3.1%-38.8%的延迟肺癌治疗.

结论:

• 临床-RadmC模型为优化肺癌诊断提供了一个高度有效和非侵入性的工具.
• 这种多组学方法通过准确评估IPL恶性瘤风险,促进了精确干预.
• 这些发现支持整合多组学数据的临床实用性,以改善肺结节管理.