人工智能生物标志物系统重新定义甲状腺癌进展和亚型

一项新研究引入了一种人工智能集成的动态生物标志物系统，该系统可以检测早期疾病的临界点并将甲状腺癌分为可操作的亚型，为精准诊断和治疗铺平了道路。

　　

分化型甲状腺癌 (DTC) 通常进展缓慢，部分患者可采用保守治疗，无需立即手术。然而，确定哪些患者适合接受主动监测以及何时可能出现病情进展，仍然是一项临床挑战。

郑州大学第一附属医院的研究人员领导的一项新研究通过开发创新的动态生物标志物系统解决了这一问题。该团队利用优化的动态网络生物标志物 (DNB) 算法，确定了分化型甲状腺癌 (DTC) II 期的“临界点”，即疾病从稳定状态转变为快速进展。通讯作者邱新光教授表示：“我们的分析表明，II 期是一个关键的过渡阶段。”

为了量化个体风险，该团队创建了TCPSLevel评分系统，该系统能够捕捉早期预警分子信号。TCPSLevel评分高的患者病情进展更晚，预后更差。“该评分在识别高危个体方面优于传统分期方法，”论文共同作者张戈博士指出。

研究人员将基于人工智能的共识聚类方法应用于1100多个甲状腺癌样本，并确定了三种可重复的分子亚型，每种亚型具有不同的免疫特征和进展风险。最具侵袭性的亚型与ASPH基因相关，该基因已通过实验验证。

为了支持临床应用，他们开发了一个仅基于12个基因的简化分类器（miniPC），能够跨多个数据集进行准确的亚型预测。张浩南博士表示：“该工具为个性化治疗计划提供了一种实用的方法。”

通过整合多组学数据、机器学习和单细胞分析，该研究为甲状腺癌的早期风险分层和针对性管理提供了新的见解和工具。