基于自身抗体谱的AFP阴性肝细胞癌无创诊断列线图模型：一项多中心验证研究

本研究针对甲胎蛋白阴性肝细胞癌（ANHCC）的诊断难题，通过血清蛋白质组分析和蛋白微阵列技术筛选出Survivin等8种关键自身抗体，构建了基于Logistic回归的诊断模型。该模型在训练集和验证集中AUC分别达0.883和0.840，与AFP联用后整体HCC诊断AUC提升至0.945（IDI=23.1%，NRI=21.1%），为ANHCC的精准诊断提供新策略。

　　

研究人员通过血清蛋白质组分析（SERPA）和蛋白质微阵列技术，从肿瘤相关抗原（TAA）中筛选出16种候选自身抗体，最终确定Survivin、核仁磷酸蛋白（NPM1）、鸟嘌呤核苷酸结合蛋白（GNAS）、丝氨酸/精氨酸富集剪接因子2（SRSF2）、G蛋白亚基α11（GNA11）、Patched-1（PTCH1）、甘油醛-3-磷酸脱氢酶（GAPDH）和热休克蛋白90（HSP90）这8种标志物对甲胎蛋白阴性肝细胞癌（ANHCC）具有优异诊断价值。采用LASSO回归解决生物标志物多重共线性问题，并通过四种机器学习方法构建诊断模型。逻辑回归模型表现最佳，在训练数据集和验证数据集中的受试者工作特征曲线下面积（AUC）分别达到0.883和0.840。在包含37.5% ANHCC患者的完整肝细胞癌队列（含AFP阳性患者）中，该模型AUC为0.825，灵敏度66.4%，特异性84.2%。当与甲胎蛋白（AFP）联合使用时，诊断效能显著提升：相较于单独使用AFP，联合策略的AUC增至0.945，综合判别改善指数（IDI）为23.1%，净重分类改善指数（NRI）达21.1%。该研究证实自身抗体谱模型可有效辅助ANHCC诊断，其与AFP的整合策略更能全面提升肝细胞癌的临床诊断精度。