机器学习模型对无细胞DNA多种癌症早期检测的价值:系统性审查和元分析
Qiong Li1, Hongde Liu1, Jinke Wang1
1State Key Laboratory of Digital Medical Engineering, School of Biological Science and Medical Engineering, Southeast University, Nanjing, China.
Technology in cancer research & treatment
|February 20, 2026
概括
在独立的验证研究中,对无细胞DNA的机器学习分析显示了多种癌症早期检测的高特异性和中高敏感性. 性能因研究设计和人群而异,需要在临床使用前进行进一步的大规模验证.
科学领域:
- 生物标志物 生物标志物
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 基于机器学习 (ML) 的无细胞DNA (cfDNA) 分析是多种癌症早期检测 (MCED) 的有希望的策略.
- 现有的绩效估计通常源于培训或丰富的队列,限制了现实世界的适用性.
- 独立验证对于评估这些分析的真正诊断准确性至关重要.
研究的目的:
- 为MCED进行基于ML的cfDNA测定进行系统审查和元分析.
- 仅使用独立验证或测试数据集来评估诊断准确性.
- 确定影响试验性能和异质性的因素.
主要方法:
- 对13项研究进行了系统审查和诊断准确性的元分析.
- 包括来自14892名参与者的23个独立数据集,不包括所有培训数据.
- 两变随机效应模型用于估计聚合的灵敏度,特异性和诊断几率比率 (DOR),并进行子组分析以探索异质性.
主要成果:
- 聚合灵敏度为0.78 (95% CI:0.66-0.87) 和聚合特异性为0.96 (95% CI:0.90-0.98).
- 曲线下的总和面积 (AUC) 为0.94和DOR为76.6.6.
- 观察到显著的异质性 (I2>90%),受地理区域,样本大小和cfDNA生物标记物类型的影响.
结论:
- 基于ML的cfDNA测定在MCED的独立验证设置中表现出高特异性和中度至高灵敏度.
- 诊断性能取决于上下文,受研究设计,人口特征和分析选择的影响.
- 在广泛临床实施之前,需要进行大规模,前性,基于人群的验证.
