编辑推荐：
宫颈癌（CC）严重威胁女性健康，传统细胞学筛查（Pap smear）存在局限。研究人员开展低场1H NMR 光谱结合化学计量建模研究，以区分健康者与 HSIL、CC 患者。结果显示该方法有潜力，能辅助早期检测，为宫颈癌筛查提供新途径。
在女性健康的战场上，宫颈癌（Cervical Cancer，CC）一直是个 “狠角色”。它在全球女性肿瘤的发病率和死亡率排行榜上，稳稳占据着第四的位置。通常情况下，宫颈癌可不是突然出现的，在它之前，往往会有一些 “小插曲”，也就是宫颈上皮内瘤变（Cervical Intraepithelial Lesions，SIL），其中 II 期和 III 期被归为高级别（High-Grade Squamous Intraepithelial Lesions，HSIL） 。要是能在这些病变阶段就及时发现并治疗，就能有效阻止它们进一步发展成宫颈癌。
目前，Pap smear（巴氏涂片）是筛查 SIL 和 CC 最常用的方法。可这个 “老将” 也有自己的短板，它的灵敏度不高，还经常给出一些错误的 “信号”，也就是假阳性率比较高。这就好比一个不太靠谱的 “侦察兵”，时不时地就会给出错误情报，让人很是头疼。所以，医学界迫切需要一些更靠谱的补充或替代方法，来提高宫颈癌早期检测的准确性。
在这样的背景下，来自国外研究机构的研究人员开展了一项极具意义的研究。他们将低场1H NMR 光谱技术与化学计量分析相结合，试图找到一种更有效的方法来区分健康个体（Control，CON）和患有 HSIL、CC 的患者。研究结果令人眼前一亮，这一联合技术展现出了巨大的潜力，有望成为宫颈癌早期检测的得力助手。该研究成果发表在《Clinica Chimica Acta》上，为宫颈癌筛查领域注入了新的活力。
研究人员为开展此项研究，用到了几个主要关键技术方法。首先，招募了不同状态的女性作为研究对象，分为健康对照组（CON）、高级别宫颈上皮内瘤变组（HSIL）和宫颈癌组（CC） ，构建样本队列。然后，运用主成分分析（Principal Component Analysis，PCA）对数据进行探索性分析，挖掘代谢模式以及在组间区分中起关键作用的光谱变量。最后，采用数据驱动类比分类软独立建模（Data-Driven Soft Independent Modeling of Class Analogy，DD-SIMCA）构建分类模型，评估不同分类场景下模型的性能。
下面来看看具体的研究结果：
- PCA 分析：通过 PCA 分析探索代谢模式和识别相关光谱变量。PCA1 清晰地显示出 CC 组和其他组之间的明显差异，就像是给不同队伍画了一条清晰的分界线；而 PCA2 和 PCA3 则揭示了 HSIL 组具有中间代谢特征，这进一步证明了 HSIL 作为癌前病变过渡阶段的特性。
- DD-SIMCA 分类模型评估：研究人员评估了三种分类场景。第一种是以 CON 为目标类，HSIL/CC 为异常类；第二种是以 HSIL 为目标类，CON 为异常类；第三种是以 CC 为目标类，CON 为异常类。结果发现，模型校准效果极佳，达到了 100% 的灵敏度（Sensitivity，SEN）、特异性（Specificity，SPE）、准确率（Accuracy，ACC）和马修斯相关系数（Matthews Correlation Coefficient，MCC） 。在预测方面，检测 CC 时表现出更高的效能，SPE 达到 100%，MCC 为 70% ，说明该模型在筛查宫颈癌病例上更具优势。
研究结论表明，低场1H NMR 光谱结合化学计量建模在检测宫颈病变方面展现出巨大潜力，能够有效识别与疾病进展相关的生化模式。所构建的模型具有较高的特异性（≥90%） ，具备强大的分类能力，能够准确区分健康个体和患有癌前病变及宫颈癌的患者。这一研究成果意义重大，为宫颈癌早期检测提供了一种新的、更便捷且经济的途径。低场1H NMR 光谱技术具有设备成本低、操作简便、无需复杂维护等优点，相比传统的高场 NMR 更易普及。它作为一种代谢组学筛查工具，有望弥补传统筛查方法的不足，提高宫颈癌早期诊断的准确性，从而帮助更多女性在疾病早期得到及时治疗，改善预后，降低宫颈癌的发病率和死亡率，为女性健康保驾护航。
