基于机器学习技术的四个自身抗体测试,用于早期检测食道状细胞癌:一个多中心的回顾性研究,与一个嵌套的病例对照研究研究
相关实验视频
Updated: May 10, 2025
09:15
Electrochemiluminescence Assays for Human Islet Autoantibodies
Published on: March 23, 2018
15.4K
Yi-Wei Xu1,2, Yu-Hui Peng3,4, Can-Tong Liu3,4
1Department of Clinical Laboratory Medicine, Esophageal Cancer Prevention and Control Research Center, Chaoshan Branch of State Key Laboratory for Esophageal Cancer Prevention and Treatment, Cancer Hospital of Shantou University Medical College, Shantou, 515041, China. yiwei512@126.com.
BMC medicine
|April 23, 2025
概括
这项研究开发了一种机器学习模型,使用四种自身抗体在早期和临床前阶段准确检测食道状细胞癌 (ESCC). 该模型显示了通过基于血液的生物标志物进行早期癌症诊断的前景.
科学领域:
- 在瘤学瘤学.
- 生物标志物发现发现
- 机器学习在医学中的应用
背景情况:
- 自体抗体是早期癌症检测的潜在基于血液的生物标志物.
- 食道状细胞癌 (ESCC) 的诊断可以通过准确的生物标志物来改进.
研究的目的:
- 为诊断临床和临床前ESCC确定一个优化的自身抗体面板.
- 使用机器学习 (ML) 算法来实现高诊断准确度.
主要方法:
- 使用血清蛋白质组分析识别了针对瘤相关抗原的自身抗体.
- 开发并验证了102个ML模型,根据诊断指标选择了部分最小方程通用线性模型 (plsRglm).
- 验证了plsRglm培训模型,内部和外部数据集,包括用于临床前ESCC检测的嵌套病例控制研究.
主要成果:
- 使用四种自身抗体 (ALDOA,ENO1,p53,NY-ESO-1) 的plsRglm模型,证明了ESCC的高诊断准确性 (AUC为0.826-0.860).
- 该模型在多个验证集 (AUC 0.817-0.854) 中保持了早期ESCC的诊断性能.
- 该模型在嵌套病例控制研究中成功检测出临床前ESCC,AUC为0.723.
结论:
- 基于四种自身抗体的plsRglm模型显示了识别临床前和早期ESCC的巨大潜力.
- 这种自身抗体小组可以作为早期癌症检测和改善患者结果的宝贵工具.
