基于无监督深度学习的液体活检罕见事件检测新方法：癌症相关细胞的自动化识别与临床意义

本研究针对液体活检中罕见生物标志物检测的挑战，开发了一种名为RED（Rare Event Detection）的无监督深度学习算法。通过训练去噪自编码器（DAE）分析外周血免疫荧光图像，该技术无需预先定义目标特征即可有效识别癌症相关循环肿瘤细胞（CTC）和肿瘤微环境细胞。研究在乳腺癌患者和人工加标样本中验证了该方法的优越性，相比传统OCULAR流程检测灵敏度提升一倍，为癌症早期诊断和精准治疗监测提供了创新工具。

　　

在癌症诊疗领域，液体活检技术正逐步改变传统组织活检的格局。然而这项技术面临着一个关键瓶颈：如何从每毫升血液数十亿个正常细胞中，准确识别出可能仅存数个的癌症相关细胞？现有方法如CellSearch平台依赖特定标志物预先富集，不仅可能遗漏未知生物标志物的细胞亚群，其人工分析流程更成为临床推广的障碍。针对这一挑战，由Javier Murgoitio-Esandi领衔的国际研究团队在《npj Precision Oncology》发表了一项突破性研究，开发出基于深度学习的全自动罕见事件检测算法，为液体活检的标准化分析提供了全新解决方案。

研究团队采用去噪自编码器（Denoising Autoencoder, DAE）架构，通过分析来自正常供体加标样本和晚期乳腺癌患者的四通道免疫荧光图像（包含DAPI、细胞角蛋白CK、波形蛋白Vimentin和CD45/CD31标记），建立了无监督的罕见事件检测流程。关键技术包括：将每张图像分割为250万个32×32像素的图块，添加高斯噪声训练DAE模型，利用重建误差作为罕见性指标，并通过空间分布特征去除成像伪影。特别值得注意的是，研究纳入了11例晚期乳腺癌患者的外周血样本和9例加标正常人样本进行方法验证。

【Rare event detection in spiked cell samples】
在加标细胞实验中，RED算法对上皮细胞系SK-BR-3（模拟CTC）和内皮细胞系HPAEC的检测真阳性率分别达到99.3%和96.5%。如图3所示，当筛选前2500个罕见图块（相当于原始数据量的0.1%）时，曲线下面积（AUROC）接近1.00。值得注意的是，未被识别的细胞多表现为信号较弱或体积较小的片段（图4），而典型细胞特征均被有效捕获。

【Detection of rare cells in breast cancer patients】
在晚期乳腺癌队列中，RED算法表现出对特定表型的选择性优势。如图5所示，对D|CK（上皮型CTC）和D-|CK（推测为肿瘤来源的细胞外囊泡）事件的检测率达到100%，但对D|V（间质型CTC）事件的识别率降至38.9%。通过人工复核发现，RED流程共鉴定出157个生物学相关事件，是传统OCULAR方法（79个）的两倍，其中包含91个OCULAR未发现的潜在新标志物（图7）。

【讨论与意义】
这项研究开创性地将无监督学习引入液体活检分析，解决了传统方法依赖先验知识的根本局限。RED算法的优势体现在三个方面：首先，其无需预设生物标志物的特性，可发现未知细胞亚群；其次，自动化流程将人工分析工作量从3000个事件降至2500个，且无需复杂参数调整；最重要的是，该方法对临床样本中自然存在的罕见事件展现出卓越的敏感性。研究同时揭示了技术局限性：对于与常见白细胞共享标志物（如Vimentin）的CTC亚型，检测效率仍有提升空间。该成果为癌症早期诊断、疗效监测和耐药机制研究提供了全新工具，其技术框架也可拓展至其他罕见细胞分析领域，如循环内皮细胞和肿瘤相关成纤维细胞（CAF）的检测。随着单细胞测序等验证技术的结合应用，RED算法有望推动液体活检进入多组学整合的新时代。