循环瘤细胞 (CTC) 计数和基于机器学习的诊断生物标志物用于乳腺癌检测

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:

• 循环瘤细胞 (CTC) 是早期癌症检测的潜在生物标志物.
• 密集的乳腺组织在亚洲人群中很常见,可能会影响查的有效性.
• 评估用于乳腺癌检测的新型试验至关重要.

研究的目的:

• 评估基于循环瘤细胞 (CTC) 的试验,作为乳腺癌检测的补充生物标志物.
• 评估在亚洲人口中测试的性能,其中患有高密度乳腺组织的患病率.
• 开发一个机器学习模型,整合CTC和常规血液参数,用于乳腺癌风险评估.

主要方法:

• 一项前性,盲目的研究分析了台湾女性患有乳腺癌和健康对照者的外周血液.
• 一个CTC计数平台 (CMx) 测量了生物标志物表达 (CK18,MGB,CD45),形态和核特征.
• 一个机器学习模型整合了CTC生物标志物,年龄和血液计数 (WBC,血小板).

主要成果:

• 乳腺癌试验显示乳腺癌患者和对照群之间的年龄和CTC数量存在显著差异.
• 一个机器学习模型实现了0.85的AUC,具有高灵敏度 (0.93) 和负预测值 (0.86).
• 该模型在BI-RADS 3/4子组内识别癌症病例时表现出高准确性 (灵敏度1.00).

结论:

• 将CTC计数与机器学习相结合,可用于乳腺癌检测.
• 基于CTC的测定显示出作为补充诊断工具的潜力.
• 进一步的大规模,多民族验证研究是有必要的.