综述：癌症中的无细胞DNA碎片组学

本综述系统阐述了无细胞DNA（cfDNA）碎片组学（fragmentomics）在癌症诊断中的前沿进展，重点探讨了cfDNA片段大小、末端基序（end motifs）、偏好性末端（preferred ends）及核小体占位等特征如何揭示癌症表观遗传失调（epigenetic dysregulation）、转录组改变（transcriptomic alterations）和细胞异常凋亡模式。文章强调通过人工智能（AI）整合高维碎片组学特征可显著提升癌症检测的精准度，并展望了其在液体活检（liquid biopsy）临床转化中的潜力。

　　

无细胞DNA碎片组学的发展历程

无细胞DNA（cfDNA）是存在于血液、尿液等体液中的非细胞封装DNA片段。早期研究集中于通过PCR检测肿瘤相关基因突变（如循环肿瘤DNA ctDNA）、母体血浆中胎儿DNA及器官移植受者中供体特异性cfDNA。这些发现推动了液体活检在癌症靶向治疗、产前检测和移植排斥监测中的应用。

然而，基于遗传变异的早期方法存在局限性：肿瘤特异性突变比例（变异等位基因频率VAF）在早期癌症中极低，难以区分真实变异与测序噪声。尽管靶向深度测序可提高灵敏度，但其效果受肿瘤异质性限制。这些局限性促使研究者转向表观遗传（如甲基化）和碎片组学生物标志物的探索。

碎片组学研究cfDNA的断裂模式，包括片段大小、末端基序、末端密度（偏好性末端）和核小体占位。早期分析发现血浆DNA的主峰长度为166 bp（核小体+连接DNA），而胎儿和肿瘤DNA主峰为143 bp，且<143 bp片段呈现10 bp周期性。近年来，第三代单分子测序技术揭示了>500 bp的“长cfDNA”，其癌症诊断潜力正在被挖掘；而传统提取方法可能丢弃的~50 bp“超短cfDNA”也被发现具有重要生物学意义。

cfDNA的特征性大小分布（核小体峰和10 bp周期性）与细胞死亡过程中的核酸酶介导DNA断裂密切相关。研究表明，细胞死亡是cfDNA生成的重要来源，尽管具体死亡模式（如凋亡、坏死）的相对贡献仍在探索中。小鼠模型发现，DNASE1L3缺失会导致多核小体cfDNA比例增加，而DNASE1缺失无此效应，提示DNASE1L3在降解多核小体为单核小体cfDNA中的作用。

核酸酶活性不仅影响cfDNA大小分布，还调控片段末端序列模式（末端基序）。在Dnase1l3^-/-小鼠中，以“CC”开头的5′末端基序频率显著降低，表明DNASE1L3参与血浆中5′-CC片段的生成。进一步研究发现DNASE1偏好产生T末端片段，而DFFB偏好A末端片段。此外，核酸酶活性还与双链cfDNA的单链突出端（“锯齿末端”）相关。末端基序谱的扰动可能反映癌症中核酸酶表达和活性的改变：例如DNASE1L3在结直肠癌（CRC）、肺癌、鼻咽癌（NPC）和头颈鳞癌（HNSCC）中常下调。

新型碎片组学特征助力癌症检测新策略

cfDNA大小分析、末端基序和足迹模式是核心碎片组学特征。随着湿实验和干实验技术的进步（如单链DNA文库制备、长读长测序、Jag-seq检测5′锯齿末端），碎片组学的新维度不断涌现，为癌症检测提供新见解。

核小体范围外的cfDNA尺寸特征

超短cfDNA：其检测依赖于低分子量核酸提取方法和单链DNA（ssDNA）文库制备技术（如SRSLY方法）。通过磁珠法提取结合SRSLY建库，发现血浆中存在~50 nt模态长度的超短cfDNA峰，且可被ssDNA特异性核酸酶降解而非dsDNA酶，表明其主要为单链。但凝胶电泳尺寸选择也证实存在20-60 bp的双链超短cfDNA。

血浆超短cfDNA富集于特定基因组区域（如启动子区）。在晚期癌症患者中，TSS上游250 bp内的超短cfDNA覆盖率显著降低，尤其在拷贝数畸变较多的患者中，提示其或可预测疾病分期。其分布机制可能与癌症中TSS附近染色质可及性改变（如核小体定位）相关。例如，超短单链cfDNA可能源于G-四链体（G4）结构（常见于TSS上游），其在癌症中可能紊乱；而超短双链cfDNA则富集于活性启动子、非甲基化CpG岛和活跃转录基因的TSS，以及特定转录因子（TF）结合位点。在胰腺导管腺癌（PDAC）和CRC中，可鉴定出组织特异性TF基序（如CRC中的SP1、FOSL1/2，PDAC中的RBPJ），分析TF结合全基因组或原癌基因启动子区是识别转录失调的强大工具。

超短cfDNA的另一临床价值在于其易透过肾小球滤过屏障，形成跨肾尿源性cfDNA。尿cfDNA具有更短模态尺寸（~81 bp，可能与半核小体单元相关）、独特的末端基序（主要反映DNASE1而非DNASE1L3切割）及核小体定位模式（主要源自泌尿道上皮细胞而非造血细胞）。最近研究发现<50 nt/bp的跨肾cfDNA群体，其渗透效率与分子尺寸负相关。选择性分析尿中超短cfDNA可富集非泌尿系癌症的拷贝数畸变信号。此外，胎儿源跨肾cfDNA优先源自胎盘特异性开放染色质区域，而与血液特异性异染色质区域（HCRs）映射的尿cfDNA更可能来自泌尿道。因此，预选映射至血液特异性HCRs的尿cfDNA可增强膀胱癌的甲基化检测效能（AUC=0.93 vs. 全局甲基化的0.87）。

由于解剖学原因，尿cfDNA在检测泌尿系癌症（如膀胱癌）方面可能优于血浆cfDNA。Meng等通过“cfDNA断裂热点”（基于整合断裂评分IFS）分析，发现基于尿热点训练的模型优于血浆（AUC=0.96 vs. 0.87）。

长cfDNA碎片组学：2021年PacBio SMRT测序揭示了长cfDNA（>500 bp）的存在。长cfDNA的每分子携带更多CpG和SNP，可直接定相（phasing）位点连锁，减少统计推断依赖，从而理论上推断单个长cfDNA分子的组织来源。其碎片组学特征也不同于短cfDNA：长cfDNA富集于常染色质区域。在肝细胞癌（HCC）中，映射至高表达基因的长cfDNA分子在HCC患者中显著多于健康对照或HBV携带者（p=4.2×10^-5和p=0.014），可区分HCC与非HCC（AUC=0.898）。其生成机制可能与转录活跃染色质处的DFFB活性相关，因为Dffb敲除小鼠中源自TSS两侧2 kb的长cfDNA比例显著降低。DFFB偏好产生5′A和G末端片段，且这些末端频率随cfDNA尺寸增加而上升。DFFB是凋亡DNA断裂的关键参与者，该过程在癌症中失调，且其作用受高级染色质构象调控。长cfDNA的末端密度在CTCF结合位点和DNase I超敏感位点显著尖峰，因此长cfDNA碎片组学或有潜力刻画癌症中特异的染色质组织异常模式。

但长读长测序在cfDNA应用中仍面临挑战：测序通量低（如PacBio Revio每运行4个SMRT细胞各2500万孔，而Illumina NextSeq P2每运行可达4亿读长），且样本输入量高，有时需混合样本，进一步降低每样本通量。

从cfDNA碎片组学解码表观遗传和转录信号

cfDNA断裂与表观遗传信息（甲基化组、转录组和染色质结构）的关联是新兴前沿。由于这些特征具有组织或肿瘤特异性，单一碎片组学检测有望推断丰富的表观信息，从而无需亚硫酸氢盐、ChIP或RNA测序等降解性复杂实验即可实现癌症检测和定位。

DNA甲基化状态预测：cfDNA断裂模式与甲基化组的关联日益明确。小鼠敲除模型发现核酸酶缺陷会影响cfDNA表观甲基化水平。Zhou等揭示了cfDNA断裂模式与甲基化模式的定量关联，建立了“碎片组学甲基化分析”（FRAGMA）基础，无需亚硫酸盐测序即可测定DNA甲基化。单个CpG位点分析发现，甲基化CpG旁的断裂频率是未甲基化的2倍。利用这些切割比率，支持向量机（SVM）可区分HCC与非HCC个体（特异性96%，AUC=0.98）。进一步地，卷积神经网络（CNN）利用CpG胞嘧啶两侧5个连续核苷酸的切割模式可稳健预测CpG甲基化状态（AUC=0.93）。FRAGMA已整合入血浆EBV DNA碎片组学特征，结合大小分析和末端基序，可预测未来4年NPC发病风险（相对风险87.1）。

由于CpG甲基化与染色质结构相关，Zhu等研究cfDNA推导的核小体足迹能否反映区域甲基化状态（FRAGMAXR）。他们定义了两类差异甲基化位点（DMS）：A型（血液细胞中低甲基化而目标组织中高甲基化）和B型（反之）。A型和B型DMS的标准化覆盖率呈现显著的核小体周期性且反相。在癌症中，两类DMS的核小体周期性振幅均降低，归因于癌症中特定CpG位点的核小体相位更异质。将CpG两侧800 bp内的峰谷距离输入SVM分类器，区分HCC与非HCC的AUC达0.93，优于片段大小（AUC=0.82）和基序多样性评分（AUC=0.86）。结合FRAGMA后模型AUC可达0.98。FRAGMAXR在检测肺癌（AUC=0.99）、乳腺癌（AUC=0.81）和卵巢癌（AUC=0.93）中也表现稳健。

特定组蛋白修饰的预测：组蛋白修饰通过调控染色质可及性和招募转录激活因子/抑制因子参与转录调控。Bai等假设特定组蛋白修饰可能与特征性断裂模式相关（碎片组学组蛋白修饰分析FRAGHA）。从细胞游离核小体ChIP-seq（cfChIP-seq）定义的差异组蛋白修饰区域提取大小和末端基序等特征。在组蛋白H3 lys27乙酰化（H3K27ac）位点（增强子处转录许可信号，癌症中可紊乱），50-150 bp、230-350 bp和420-500 bp分子相对频率增加，而160-225 bp和360-400 bp分子减少。这些累积频率与H3K27ac cfChIP-seq信号强度呈强对数线性关系，可通过线性回归从片段大小推导血浆H3K27ac水平。类似地，鉴定出7个信息性5′4-mer末端基序，在最高和最低H3K27ac信号区域间频率至少增加2倍，且其频率与对数转换H3K27ac信号良好相关。组织特异性H3K27ac区域的大小和末端基序输入SVM可区分HCC与非HCC病例（AUC=0.93-0.97）。

高级染色质结构和转录特征：过去十年工作表明，仅从cfDNA测序即可推断核小体定位。活性基因启动子处的核小体耗竭是公认现象，因此可从TSS和TF结合点旁的核小体占位数据推导基因表达水平，以检测癌症中异常转录活性。事实上，由于核小体保护预期与更规则切割模式相关，TSS旁片段大小多样性可参数化基因表达水平，用于非小细胞肺癌（NSCLC）检测（AUC=0.91）和亚型分类（AUC=0.90）。通过检查组织特异性表达基因的启动子，也可从核小体占位数据推导cfDNA的组织贡献。最近单细胞转录组数据集的建立使得低至0.3x覆盖度的cfDNA推断核小体足迹数据可被解卷积为490多种细胞类型。此法可检测多癌中异常细胞类型对cfDNA的贡献，并训练SVM分类器检测结直肠癌（AUC=0.847）、乳腺癌（AUC=0.901）和多发性骨髓瘤（AUC=0.950）。总之，碎片组学可能反映癌症类型特异的表观遗传失调。

FRAGMA的核心要义（CpG位点旁切割模式部分受其甲基化状态调控）被Noe等拓展，他们研究全基因组cfDNA断裂模式与甲基组和转录景观的关联。发现沉默基因的CpG甲基化与序列覆盖率增加相关，归因于核小体占位增加。比较TSS旁片段大小揭示活性和沉默基因间的细微差异延伸至TSS两侧500 kb，尤其活性TSS上游800-1000 bp处减少4-5 bp，表明染色质组织的长程调控可在低至1-2x测序覆盖度下表征。

碎片组学推断染色质结构和转录景观有潜力揭示癌症生物学新机制，尤其在早期肿瘤发生中调控变化可能细微但有害。先前已知癌症易感综合征患者在恶性状态相比癌前状态有更短cfDNA片段。当前高分辨率检查碎片组学景观的研究正揭示更细微的断裂变化，与潜在遗传背景相关。对Li-Fraumeni综合征（种系TP53突变）患者的全面碎片组学分析显示，TP53突变携带者表现出多种类癌碎片组学变化，与癌症状态和历史无关。作者观察到核小体相位减弱指示染色质可及性增加，不仅发生在已知p53结合位点，也见于一般癌症相关TF结合位点（与肿瘤发生和发展相关）。TP53突变携带者中AT-rich 5′4-mer末端基序富集，但似乎非DNASE1L3失调所致（已识别的DNASE1L3基序比例无显著差异）。功能性种系TP53突变类别与映射至特定染色体的cfDNA大小谱细微差异部分相关，或表明高分辨率碎片组学分析能捕捉同一转录因子功能紊乱的细微机制差异。另一研究报道PTEN错构瘤肿瘤综合征患者的cfDNA片段大小和末端基序异常。总之，高分辨率碎片组学或能阐明特定生物学背景下肿瘤发生的根本机制；这些特异性碎片组学特征在体细胞而非种系变异中是否存在仍是活跃研究领域。

Wang等开发了整合表观遗传-碎片组学方法的肺癌检测流程。从两中心收集肺癌、可疑肺结节或健康对照，191例训练模型，185例验证。该研究旨在表观遗传改变感兴趣区域（ROI）中以近核小体分辨率富集癌症特异性碎片组学信号。这些区域（称多表观遗传调控基因MERGEs）通过cfChIP-seq（H3K9me3）、cf-简化表征亚硫酸氢盐测序（cf-RRBS）和3x覆盖度cfDNA测序推导的染色质可及性谱定义。然后，MERGEs中的碎片组学特征（如大小、末端基序和F-profile）用于训练Extra Trees集成模型，输出0-1的单一评分。基于MERGE的集成模型AUC达0.94，总体灵敏度90.4%（特异性83.1%），对I期肺癌依然稳健。应用相同特异性截断值，模型可区分肺癌与良性肺结节（AUC=0.816），提示在影像检测可疑肺结节中的潜在用途。此外，识别的表观遗传失调基因组区域可提供肺癌早期肿瘤发生的重要生物学见解，并关键指导靶向治疗。MERGE重捕获癌症肿瘤发生关键基因（如组蛋白H3K9去甲基酶KDM4C和DNA损伤传感器RAD17），以及肺癌中特征较少的基因（如同源盒蛋白Nkx6.2）。

应注意，基于碎片组学的染色质组织分析可能受多种分析前和分析偏倚影响，如cfDNA样本完整性和GC含量，需考虑标准化。此外，低测序覆盖区域的数据稀疏性可能带来分析困难，尤其碎片组学常应用于低深度测序数据。因此，足够测序深度与每样本成本间的权衡成为重要考量。

碎片组学新机制的探索

尽管围绕cfDNA生成和清除的许多问题仍存，但乐观的是，可能涌现更多调控cfDNA碎片组学的机制，并用于癌症诊断。先前通过分析野生型和核酸酶敲除小鼠的cfDNA末端基序，非负矩阵分解（NMF）衍生出六种“创始”末端基序谱（F-profiles），各代表一类独特末端基序模式。检查F-profiles的末端基序模式，三种（F-profiles I-III）与已知的DNASE1L3、DNASE1和DFFB切割偏好关联。值得注意的是，无明显序列偏好的F-profile VI能稳健区分HCC患者和HBV携带者（AUC=0.97），推测与氧化应激相关。然而，F-profiles的确切生物学意义仍 elusive，可能涉及其他DNA核酸酶或非酶机制。

全基因组关联研究（GWAS）或能整体系统识别与cfDNA断裂相关的遗传位点。在TRIDENT-2研究约14万孕妇队列中，Linthorst等探索了多个碎片组学特征的遗传关联。该人群中，DNASE1L3是cfDNA浓度、大小和末端基序嘌呤/嘧啶含量的顶级位点，重申其在调控cfDNA碎片组学景观中的重要性。但作者也识别出众多与cfDNA关联未深入研究的位点。例如，末端基序嘌呤/嘧啶含量的第二顶级位点是Pannexin-1（PANX1），其编码非核酸酶而是膜通道，参与旁分泌信号、细胞死亡和肿瘤发生。PANX1及其他GWAS识别位点在cfDNA碎片组学中的实际生物学意义值得进一步研究，或揭示影响cfDNA碎片组学景观的先前未发现生物学机制。

cfDNA碎片组学癌症检测的新计算策略

碎片组学特征的高维性需要精心设计的人工智能（AI）和机器学习（ML）方法以释放其全部潜力。cfDNA大小谱分析是典范成功之一。已知整体大小谱本身不能区分癌症与健康对照。然而，适当综合诊断特征（理想基于强生物学原理）可被适合任务的计算算法利用，极大增强大小谱在癌症检测中的用处。“早期拦截的DNA片段评估”（DELFI）由Cristiano等开发，使用全基因组5 Mb窗口内短（100-150 bp）与长（151-220 bp）cfDNA片段比率构建梯度提升算法，用于七种癌症的检测和定位。梯度提升是一种ML策略，众多弱学习器顺序构建，每个训练以最小化前一个的损失。DELFI已应用于诊断、分类和预测肺癌、肝癌、卵巢癌等的预后，并独立于突变或肿瘤遗传信息估计cfDNA肿瘤分数。下文讨论该领域近期进展，尤其是cfDNA偏好末端和末端基序的增多使用，及Transformer-based AI的应用。

cfDNA片段末端的基因组坐标：癌症中偏好末端的研究正享受新ML方法的复兴。重要的是，cfDNA片段末端位置相对于基因组组织情境化，以识别癌症相关cfDNA末端分布异常，并可与其他碎片组学特征（如末端基序）整合用于cfDNA末端模式整体分析。Budhraja等开发了全基因组片段末端分析（GALYFRE），其中计算单一指标“异常片段的信息加权分数”（iwFAF）以参数化样本中cfDNA片段末端位置的整体异常性。iwFAF本质是随机选取的cfDNA片段至少一端位于反复保护区域（RPR）的概率（RPR由片段长度和GC含量调整的窗口保护评分定义）。iwFAF与肿瘤分数强相关（Spearman's r=0.77, p=4.66×10^-190），能忠实捕捉转移性黑色素瘤患者的治疗反应动态。为整体检查未与注释RPRs相交的片段，将片段末端两侧10 bp的核苷酸频率与iwFAF相关，使用回归系数最大的9个核苷酸频率与iwFAF训练随机森林模型。GALYFRE对I期癌症平均AUC=0.87，在已知变异等位基因频率极低的癌症（如胶质母细胞瘤）中表现卓越，且可耐受低至每样本100万片段的超低测序深度。类似地，Ju等定义了不协调指标（称N-index）参数化cfDNA推断与预期造血核小体位置的差异，并使用区域N-index以类似DELFI方式训练梯度提升模型检测多癌（所有癌症和分期AUC≥0.92）。

cfDNA末端基序的语言：基于Transformer的AI近期兴起有望革命性改变cfDNA分析的计算算法阵容，或可成为所有模态的通用模型架构。用于DNA序列注释、生成和变异预测的Transformer-based模型（如新开发的Evo）承诺成为生物学和医学的迷人工具。DeepSeek的出现提供了以更经济训练和高效推理达到当前最先进模型相当性能的可能性。DeepSeek使用“专家混合”（MoE）方法：模型由众多独立网络组成，各学习处理训练案例全集的一个子集。当输入提示时，“门控”决定哪些“专家”应激活，而非使用整个网络。理论上，此增加效率可让MoE模型更易在本地服务器构建和使用，使潜在模型更易用于医疗。我们热切期待这些激动人心AI架构在整体碎片组学癌症诊断及以外的应用。

一些近期研究探索了Transformer架构（如大语言模型LLMs）在分析标记化末端基序“句子”中的效用。构建此类末端基序“句子”的方法是将每个基序视为单独令牌并按频率降序连接。Liu等训练指令调优LLM（称iLLMAC），基于1135例癌症患者和1106例非癌对照的末端基序“句子”，在外部多种癌症和非癌对照测试集上达到AUC=0.912。使用类似方法，Shen等开发了末端基序Transformer检查（EMIT），基于4606个公共数据库样本的204,366句训练。关键的是，作者包含线性投影层以最终计算概率评分，显著改善分类性能。EMIT实现所有四期多癌的稳健检测，在肺癌和非癌对照外部测试集交付AUC=0.962。通过检查模型的多头注意力矩阵，可识别具有最高或最低注意力分数的末端基序，可能代表癌症检测中生物学重要的末端基序。此外，注意力分数可图形表示为网络，其中可识别癌症和对照间的差异拓扑。总之，EMIT展示了Transformer架构在构建可泛化和可解释末端基序模型中的巨大潜力。

然而，iLLMAC和EMIT有关键固有局限，凸显未来开发更复杂语言模型以更好捕捉cfDNA碎片组学景观的重大机会。iLLMAC采用自然语言模型架构，可能本质不适合cfDNA分析，因人类语言与基因组序列在句法和语义结构上存在根本差异。另一方面，尽管EMIT专门预训练于癌症患者和健康对照的cfDNA 4-mer末端基序序列，但仅使用256种可能4-mer基序中的128种（按频率降序排名形成输入序列）。基序排名也丢弃了个别基序频率数值，导致不可避免的信号复杂性损失。此外，此人工排序丢弃了cfDNA片段的天然基因组背景和位置信息。因此，模型可能丢失与基因组坐标相关的切割模式形式的重要信号，这些可能编码表观遗传修饰和染色质结构的潜在景观。此简化可能限制模型充分利用cfDNA断裂模式的高维和空间结构性质的能力。我们期待未来开发更好利用Transformer-based模型力量的进展。

多模态碎片组学分析：各种碎片组学特征的并发发展理论上支持多模态整合，可能通过利用整个系统增强模型训练和信息提取。这些常使用“堆叠”算法，组合专门和置信加权的分类器与元学习器（如广义线性模型GLM）。我们近期回顾了此类模型架构的机制。

尽管多模态分析有理论优势，多模态碎片组学模型相比架构更简单模型通常仅对极早期癌症提供增量改进。这是液体活检领域的长期挑战：提出早期功能障碍少量细胞衍生的cfDNA比例微小，加之cfDNA从循环中快速清除，可能导致肿瘤源性cfDNA信号的低信噪比。简单添加更多碎片组学特征到模型不一定导致性能有意义改善；确实，不必要的模型复杂性可能有害。例如，Zhao等整合了5mC和5hmC富集区域（通过甲基化DNA免疫沉淀测序MeDIP-seq和5hmC选择性化学标记5hmC-Seal获得）的末端基序模式、深度学习算法从肺CT影像计算的放射学评分，及年龄等临床因素。最终模型在外部测试集AUC=0.92，但添加5hmC富集区域末端基序未有意义改进模型。

堆叠也不一定导致相比单分类器模型的改进性能。Peneder等为检测儿科尤文肉瘤（EwS）设计元学习器，整合全局片段大小比率、EwS特异性DNase I超敏感位点覆盖度，及区域读长深度和片段大小，使用GLM堆叠。虽然最终模型在12x、1x和0.1x覆盖度下稳健区分EwS与健康对照（AUC=0.92-0.98），其性能不比区域片段大小和读长深度单独更有意义（AUC=0.90-0.98）。事实上，区分EwS与其他肉瘤时，元学习者表现更差（AUC=0.74-0.77）。此 specialist任务中，仅使用EwS特异性DHSs覆盖度的单特征模型明显最佳（1x覆盖度AUC=0.90），尽管区分EwS与健康对照时最差（AUC=0.75-0.89）。总之，疾病的具体生物学背景必须告知特征选择，因此继续努力 uncover 早期肿瘤行为如何表现为细胞死亡相关基因组降解异常将是对cfDNA早期癌症诊断的有力补充。

临床试验

尽管这些近期碎片组学方法在推进cfDNA癌症检测中 hold 显著 promise，其真实临床价值需通过广泛多中心临床试验进一步确认。过去，cfDNA驱动癌症诊断的临床试验多依赖于检测肿瘤特异性单碱基遗传突变、结构改变或拷贝数畸变。我们回顾一些近期碎片组学癌症检测、定位和治疗监测方法的临床试验代表，处于临床试验过程的不同阶段。

癌症检测和定位：最新DELFI临床试验产生了一些有希望结果。由于美国基于放射影像的肺癌筛查参与率低，DELFI-Lung Cancer Training Study（NCT04825834）旨在评估DELFI作为所有分期肺癌一线筛查在低剂量CT（LDCT）前各种人群中的临床表现。从美国23州47中心收集958例肺癌和非癌参与者。60%队列分配至训练集，剩余40%锁定用于验证。由于DELFI产生0-1连续评分，作者设分类阈值0.22，训练集总体灵敏度84%。验证集上，获得84%灵敏度和53%特异性，在性别、种族、民族和合并症间稳健。当癌症分期按美国LDCT筛查合格人群典型分布加权时，情境灵敏度和特异性为80%和58%。如测试采用为LDCT前一线筛查 by 10%合格个体，实施第五年线性上升至25%，作者预测可预防7,652例肺癌死亡。

多模态测试SPOT-MAS正在越南一系列临床试验中评估多种癌症。SPOT-MAS整合碎片组