综合血清糖谱分析与机器学习相结合,用于早期检测肺癌:一项病例对照研究
Koji Yamazaki1, Shigeto Kawauchi2, Masaki Okamoto3
1Department of Thoracic Surgery, National Hospital Organization Kyushu Medical Center, Chuo-ku, Fukuoka 810-0065, Japan.
Cancers
|May 14, 2025
概括
这项研究引入了一种用于检测肺癌的新型血液检测方法,使用富含糖和机器学习. 这种方法对早期诊断有希望,提高了这种致命疾病的存活率.
科学领域:
- 生物标志物发现发现
- 蛋白质组学是指蛋白质组学.
- 机器学习在诊断中的应用
背景情况:
- 肺癌是全球癌症死亡的主要原因之一.
- 传统的查方法,如CT扫描,具有包括成本和辐射暴露在内的局限性.
- 需要进行非侵入性血液检查,以改善查参与和早期检测.
研究的目的:
- 开发和验证一种基于血液的诊断模型,用于肺癌检测.
- 评估富含糖 (EGP) 和常规瘤标记物对早期肺癌诊断的有用性.
主要方法:
- 分析了199名肺癌患者和590名健康对照者的血清样本.
- 使用液体染色体质谱测量测量了9种常规瘤标志物和1688个EGP.
- 利用机器学习模型构建一个预测诊断算法.
主要成果:
- 确定了特定的糖 (AT271-FSG和MG70-FSG),可以区分肺癌患者和健康个体.
- 综合血清糖谱分析 (CSGSA) 模型实现了整体检测的ROC-AUC为0.935.
- 该模型在早期 (I期) 肺癌检测方面表现出高准确性,ROC-AUC为0.914.
结论:
- 一种结合EGP和机器学习的基于血液的新型诊断方法显著提高了肺癌检测准确度.
- 这种方法具有早期肺癌诊断的潜力,这对于改善患者的治疗结果至关重要.
- 开发的CSGSA模型代表了非侵入性癌症诊断的重大进步.
关键词:
综合性血清糖谱谱分析生物标志物 生物标志物葡萄糖酶化是什么? 葡萄糖酶化是什么?肺癌是一种肺癌.机器学习是机器学习.神经网络的神经网络的神经网络α1-抗素是一种α1-抗素.α2 - 宏球蛋白 - 一种宏球蛋白.更多相关视频
09:09Semi-Quantitative Analysis of Peptidoglycan by Liquid Chromatography Mass Spectrometry and Bioinformatics
Published on: October 13, 2020
4.2K
10:59Glycomics-Guided Glycoproteomics Facilitates Comprehensive Profiling of the Glycoproteome in Complex Tumor Microenvironments
Published on: February 7, 2025
905
