利用片段组学液体活检技术对子宫内膜癌患者进行早期检测、临床病理亚型分型和预后预测

《ESMO Open》：Early detection, clinicopathological subtyping, and prognosis prediction for endometrial cancer patients using fragmentomics liquid biopsy assay

子宫内膜癌早期检测及预后预测液体活检技术基于cfDNA片段组学与机器学习整合，通过分析CNV、FSS、FSD、MCMS、NF等特征构建模型，在独立测试组中AUC达0.96（敏感度75.8%，特异性96.8%），并有效预测临床病理特征（如分期、亚型）及复发风险（HR 8.6-10.1）。

　　在医学研究领域，早期发现、精准分型以及准确预后评估是提升疾病治疗效果和改善患者生存率的关键环节。对于子宫内膜癌（Endometrial Cancer, EC），目前的筛查手段仍然存在一定的局限性，例如传统的宫颈细胞学检查和经阴道超声检查在灵敏度和特异性方面表现不佳，难以有效识别早期病变。同时，子宫内膜活检虽然具有一定的诊断价值，但因其侵入性，不适合用于大规模的常规筛查。因此，开发一种非侵入性的检测方法，成为当前研究的重点方向之一。本文探讨了一种基于细胞游离DNA（cell-free DNA, cfDNA）片段组学的新型液体活检方法，旨在提升子宫内膜癌的早期诊断、临床病理分型和预后预测能力，为患者提供更加便捷、高效和精准的诊疗方案。

### 一、研究背景与意义

子宫内膜癌是全球范围内最常见的妇科恶性肿瘤之一，其发病率和死亡率在近年来持续上升，尤其是在发达国家中更为显著。据2022年的统计数据，全球新增子宫内膜癌病例约661,000例，相关死亡病例约348,000例，相较于2020年分别增加了约57,000例和6,000例。这一趋势凸显了开发创新且高效的早期筛查技术的紧迫性。然而，目前尚无标准化的筛查方法，大多数子宫内膜癌病例是在患者出现异常阴道出血等临床症状后才被诊断。对于高风险人群，可能采用一些监测手段，但这些方法并不适用于平均风险人群，且存在一定的局限性。

近年来，液体活检技术在癌症研究中取得了显著进展，特别是通过分析细胞游离DNA的片段特征，为癌症的早期发现提供了新的思路。研究表明，肿瘤细胞释放到血液中的cfDNA具有独特的片段模式，如片段大小、分布和结构特征，这些特征与健康个体的cfDNA存在显著差异。利用这些差异，结合机器学习算法，可以构建出具有较高准确率的癌症诊断模型。例如，有研究显示，cfDNA片段组学在早期肝癌检测中达到了96.8%的灵敏度和98.8%的特异性，而另一项针对结直肠癌的研究则显示出95.7%至98.0%的灵敏度和94.8%的特异性。这些成果表明，cfDNA片段组学在癌症筛查中具有广阔的应用前景。

尽管如此，现有研究在利用cfDNA片段组学进行癌症亚型识别和预后预测方面的探索仍显不足。因此，本文提出了一种基于cfDNA片段组学的新型液体活检方法，用于子宫内膜癌的早期发现、临床病理分型和预后评估。通过整合多种片段特征，并结合机器学习算法，该方法不仅提升了早期诊断的准确性，还拓展了其在疾病分型和复发风险预测中的应用价值。

### 二、研究设计与实施

为了验证该方法的有效性，研究人员构建了三个主要的队列：训练队列、独立测试队列和外部验证队列。训练队列包括251名参与者，其中127名患有子宫内膜癌，124名为健康女性志愿者。独立测试队列则由65名子宫内膜癌患者和62名健康个体组成，而外部验证队列包括81名子宫内膜癌患者和81名健康参与者。这些样本均来自中国不同地区的医疗机构，以确保研究结果的广泛适用性。

在样本处理过程中，研究人员首先从参与者体内采集10毫升外周血，并将其存放在含有EDTA的试管中。随后，通过离心分离出血浆，并将其储存在-80℃的环境中，直到送往专业的临床检测实验室进行低深度全基因组测序（low-depth whole-genome sequencing, WGS）。为了保证数据的可靠性，所有样本在进入测序流程前均需经过严格的质量控制（quality control, QC）筛选，确保其符合测序标准。最终，共有240份样本（120名子宫内膜癌患者和120名健康个体）被纳入分析。

此外，为了应对样本在测序过程中可能发生的损耗，研究人员在独立测试队列中前瞻性地招募了更多样本，并在测序完成后对结果进行了进一步的筛选。外部验证队列的样本则从另一家医院获取，以增加研究的外部有效性。所有样本均按照相同的处理流程进行测序和分析，确保了研究的可比性和数据的一致性。

### 三、cfDNA片段组学特征与模型构建

研究人员对cfDNA的多种片段组学特征进行了分析，包括拷贝数变异（copy number variation, CNV）、片段大小评分（fragment size score, FSS）、片段大小分布（fragment size distribution, FSD）、突变上下文和突变特征（mutation context and mutational signature, MCMS），以及核小体足迹（nucleosome footprint, NF）。这些特征涵盖了cfDNA的结构、突变模式以及基因表达信息，为模型的构建提供了丰富的数据来源。

为了提升模型的预测能力，研究人员采用了两种降维技术：自编码器（autoencoder）和主成分分析（principal component analysis, PCA）。这两种方法分别对每种特征类型进行了降维处理，将原始特征数量从7230个减少至50个，从而提高了模型的效率和泛化能力。最终，研究人员构建了12个基础模型，分别基于不同的算法（如广义线性模型、梯度提升机、随机森林和深度学习）以及不同的特征集（原始特征、自编码器降维特征和PCA降维特征），用于癌症检测和临床病理分型。

在预测模型的构建过程中，研究人员采用了交叉验证的方法，以确保模型的稳定性和准确性。对于癌症检测模型，研究人员使用了10次重复的五折交叉验证，而在预测微卫星不稳定性（microsatellite instability, MSI）时，由于样本数量较少，采用了留一法交叉验证（leave-one-out cross-validation, LOOCV）。最终，只有那些平均AUC（area under the curve）达到0.6或更高的模型才被纳入最终的预测模型中。

### 四、研究结果与分析

在癌症检测方面，该模型在训练队列中表现出色，AUC达到了0.99，而在独立测试队列中也达到了0.96。在外部验证队列中，AUC为0.93，显示出良好的跨队列泛化能力。此外，该模型在不同阶段、亚型和分子特征的患者中均表现出较高的灵敏度和特异性，表明其在不同患者群体中的适用性较强。例如，在训练队列中，该模型对I期和II期患者的检测准确率分别为80%和74.2%，而在独立测试队列中，对III期和IV期患者的检测准确率分别为62.9%和53.2%。

在临床病理分型方面，该模型对FIGO分期、组织学亚型和分化程度的预测效果各不相同。对于FIGO分期的预测，模型在训练队列中达到了0.82的AUC，在独立测试队列中为0.72，显示出较强的区分能力。而对于组织学亚型的预测，训练队列的AUC为0.75，独立测试队列为0.73，表明该模型在识别不同类型子宫内膜癌方面具有一定的潜力。然而，对于分化程度的预测，训练队列的AUC为0.79，而独立测试队列的AUC仅为0.59，说明该模型在这一方面的预测能力仍有待提高。

在复发风险预测方面，研究人员构建了一个基于LASSO Cox回归的模型，该模型能够根据cfDNA片段组学特征对患者的复发风险进行评估。在训练队列中，高风险患者复发的风险是低风险患者的4.9倍，而在独立测试队列中，这一比例上升至11.1倍。进一步的分析表明，该模型在所有138名患者中，高风险患者的复发风险是低风险患者的6.7倍。此外，多变量Cox回归分析显示，该模型预测的风险状态是一个独立的预后因素，与患者的年龄、分期、分化程度和临床生物标志物（如HE4、CA125和CA199）无显著相关性。

在相似性网络融合（similarity network fusion, SNF）分析中，研究人员将不同的片段组学特征整合成一个统一的网络，并通过半监督学习方法对患者进行分组。结果表明，训练队列中的120名患者可以分为两个主要的亚组：高风险组（61人）和低风险组（59人）。高风险组的患者在分化程度、组织学亚型和分期方面均表现出更高的不良预后特征。例如，高风险组中包含更多的高分化患者、非雌激素依赖性亚型（type II）患者以及晚期（III期和IV期）患者。此外，独立测试队列中的患者同样被分为这两个亚组，其中高风险组的复发风险显著高于低风险组。

### 五、研究的临床意义与未来展望

本文的研究结果表明，基于cfDNA片段组学的液体活检方法在子宫内膜癌的早期检测、分型和预后评估方面具有重要的临床价值。首先，该方法能够以非侵入性的方式对癌症进行检测，无需依赖组织活检，大大提高了筛查的便利性和可接受性。其次，该模型在不同阶段和亚型的患者中均表现出较高的准确性，为临床医生提供了更全面的诊断信息。最后，该方法能够有效预测患者的复发风险，有助于制定个性化的治疗方案和随访计划。

然而，该研究也存在一定的局限性。例如，尽管模型在FIGO分期和组织学亚型的预测方面表现良好，但在分化程度的预测上仍存在一定的挑战，这可能与样本数量和特征选择有关。此外，由于研究主要基于中国人群，其结果在不同种族和地域的适用性仍需进一步验证。因此，未来的研究需要扩大样本量，纳入更多不同种族的患者，并对模型进行进一步优化，以提高其在各种临床情境下的适用性。

总体而言，本文提出了一种基于cfDNA片段组学的新型液体活检方法，为子宫内膜癌的早期发现、精准分型和预后评估提供了新的思路。该方法不仅具有较高的检测准确率，还能为临床医生提供更全面的诊断信息，有助于实现个体化的治疗策略，从而改善患者的治疗效果和生存率。随着液体活检技术的不断发展，未来有望将其应用于更广泛的癌症筛查和诊疗中，为患者带来更多的福音。