《Frontiers in Artificial Intelligence》：Learning from drops: AI-guided integration of liquid biopsy features in cancer studies
编辑推荐：
癌症是全球重大健康问题，发病率和死亡率不断上升。早期检测、肿瘤特征描述和疾病监测对于及时、有效治疗并最终降低死亡率至关重要。液体活检（liquid biopsy, LB）已成为一种有价值的检测工具，提供非侵入性方法检测体液中肿瘤来源生物标志物，并显示出转化潜力
癌症是全球重大健康问题，发病率和死亡率不断上升。早期检测、肿瘤特征描述和疾病监测对于及时、有效治疗并最终降低死亡率至关重要。液体活检（liquid biopsy, LB）已成为一种有价值的检测工具，提供非侵入性方法检测体液中肿瘤来源生物标志物，并显示出转化潜力。为提高生物标志物敏感性，高通量测序平台产生海量数据。人工智能（artificial intelligence, AI）对于实现大规模、复杂数据整合至关重要。本稿评估LB领域基于整合性AI研究的现状并提供方法学指导。首先，研究人员进行了PubMed检索，发现整合LB特征的文献稀少，尤其是应用AI者。采用该方法时，明确研究目标至关重要，以指导后续方法学决策，包括研究设计、患者选择标准、样本量、LB特征性质及需收集的元数据。具体而言，研究人员提出数据预处理策略和工具，包括归一化和批次效应校正，以及处理离群值和缺失数据。此外，研究人员推荐多种机器/深度学习（Machine/Deep Learning, ML/DL）方法用于特征选择技术，以确保模型稳健性，并强调对所选模型进行严格内部和外部验证的重要性。评估临床效用和可解释性常被忽视，但对真实世界实施至关重要。总之，研究人员为LB科学界提供基于AI的方法学指导，以连接两个领域并增强LB特征的整合分析。
研究背景与问题：癌症是全球重大健康问题，发病率和死亡率快速上升。早期检测、肿瘤分子分型和疾病监测对有效治疗和降低死亡率至关重要。传统组织活检具侵入性，单次活检可因瘤内异质性而低估肿瘤基因组全貌。液体活检（liquid biopsy, LB）于2010年提出，分析血液、尿液、唾液等体液中的循环肿瘤细胞（circulating tumor cells, CTCs）、游离DNA（cell-free DNA, cfDNA）、循环肿瘤DNA（circulating tumor DNA, ctDNA）、细胞外囊泡（extracellular vesicles, EVs）、肿瘤教育血小板（tumor-educated platelets, TEPs）和微小RNA（microRNA, miRNA）等，具有早期检测、组织来源（tissue of origin, TOO）判断、最小残留病（minimal residual disease, MRD）监测、预后预测、靶点识别、耐药机制揭示和疗效监测潜力。但LB灵敏度受肿瘤DNA释放低且波动、患者间差异和时间变化限制；单标志物分析常不足以预测诊断或预后。AI、机器学习（machine learning, ML）和深度学习（deep learning, DL）可同时建模多标志物、多组学层及其交互，改善LB检测性能。现有AI-LB综述多聚焦诊断性能、早期检测或疾病应用，缺乏端到端方法学框架。因此，研究人员开展本方法学文章，评估AI-based整合LB研究现状并提供方法学指导，旨在桥接LB与AI方法学，提高研究设计、数据分析、生物学相关性和临床意义。
关键技术方法：采用PubMed叙述性文献检索（2026年1月，纳入2020年1月至2026年1月，排除meta分析和综述，聚焦人类研究），筛选将不同LB特征整合入单一模型的研究；144条记录经摘要筛选排除123条，全文审阅并补充手工检索4篇，最终25项纳入描述分析，其中5项前瞻性、18项回顾性，19项报告早期检测包括多癌种早期检测（multi-cancer early detection, MCED），仅6项进行外部验证，无研究评估校准或临床效用；样本来源为PubMed数据库文献，无原始患者队列。框架涵盖研究目标/终点与设计、样本量规划、临床人口学与流行病学信息、LB特征分类、数据探索/清洗/离群值、缺失值插补、零值处理、批次效应校正与归一化、降维与特征选择、多模态融合、模型调优与内部验证、可解释性、外部验证与模型更新、临床效用与经济影响评估。
研究结果：
研究目的与设计：研究人员指出首要步骤是定义主要目标与主要/次要终点；终点选择不当妨碍结果解释和实施。研究设计取决于目标和前瞻/回顾可行性；25项中18项为回顾性病例对照，可利用既有样本但可能有偏倚且临床数据不全；前瞻性可实时受控收集而提高可靠性；22项描述选择标准。样本量方面，仅2篇通过功效分析基于曲线下面积（area under the curve, AUC）0.95和0.98估计样本量；Riley et al.四步法和pmsampsize可用于二分类、时间事件和连续结局；高维ML/DL样本量还取决于信号强度、稀疏性、特征选择/降维、正则化和学习算法，可能需要更大开发样本；可用学习曲线或模拟；开发与验证样本量目标不同；SSAML可估计验证所需精度。临床、人口学与流行病学信息方面，年龄、性别、种族/民族、临床病理变量、既往治疗、合并症及宿主和肿瘤遗传背景影响检测和预后；Nguyen et al.显示临床特征可混杂模型预测；多中心研究需标准化信息收集；采样条件影响生物标志物发现，需记录 biosample collection、processing 和 storage。LB特征方面，包括CTCs、cfDNA/cell-free RNA、ctDNA/circulating tumor RNA、miRNA、循环蛋白/secretomics、循环免疫细胞、内皮细胞、癌相关成纤维细胞、TEPs、EVs/exosomes；可通过计数、有无、浓度或高通量分子谱（突变、拷贝数变异、片段组学、转录组、蛋白组、代谢组、表观组）表征；特征类型影响统计性质和处理步骤。
数据预处理：数据探索、清洗和离群值处理需对每种LB模态和临床/流行病学变量进行。缺失数据可用MissForest、K近邻（K-nearest neighbors, KNN）和链式方程多重插补（Multiple Imputation by Chained Equations, MICE）；但很少评估插补质量及对模型性能影响；需区分缺失值与缺失模态，限制完整模态会减少样本；重建未测层依赖缺失完全随机（missing completely at random, MCAR）、随机缺失（missing at random, MAR）或非随机缺失（missing not at random, MNAR）假设；能原生处理缺失模态的模型可能更优；应报告缺失程度和原因并评估影响。零值处理需区分生物/结构零与技术零；生物或结构零应保留，检测限、采样不足或技术丢失导致的零需处理；连续检测非检出可视为删失；测序技术零来自捕获、扩增或测序深度不足；成分数据零妨碍对数比转换；零替换需符合数据类型并做敏感性分析；DrImpute、scImpute、LLSimpute和zCompositions可用于特定数据结构。批次效应校正和归一化方面，样本采集、处理、储存或实验室协议差异可引入批次效应；预测流程中校正验证样本需防数据泄漏；frozen surrogate variable analysis（fSVA）可从参考训练集学习调整信息并用于新样本；ComBat可对齐参考批次但新批次校正需定义；校正参数应在训练框架定义并应用于验证而不重新估计；归一化方法包括Z-score标准化、最大-最小归一化、对数缩放和十进制缩放。
降维与特征选择：所有纳入研究均考虑一个以上组学层且含多特征；高维数据常含相关或冗余信息且样本量有限，需在单组学和多组学层面降维与特征选择。无监督降维包括主成分分析（principal component analysis, PCA）、独立主成分分析、均匀流形近似与投影（Uniform Manifold Approximation and Projection, UMAP）和t分布随机邻域嵌入（t-distributed Stochastic Neighbor Embedding, t-SNE），监督方法包括线性判别分析（linear discriminant analysis, LDA）；多组学无监督方法包括典型相关分析、多组学因子分析（Multiomics Factor Analysis, MOFA）和联合与个体变异解释，监督方法包括偏最小二乘、多变量整合和DIABLO；mixOmics提供相关统计方法，autoencoders或其他DL方法也适用。特征选择分过滤法（Pearson相关系数、F统计量、互信息、卡方统计量）、包装法（递归特征消除、序列选择、元启发式；DEcancer用随机森林变量重要性指导递归特征消除选择简约多模态panel）和嵌入法（LASSO、Ridge、Elastic Net；随机森林和梯度提升排序重要性）。
整合建模：多模态融合分模型基和模型无关方法，并分早期融合（特征级拼接、操作或DL）、晚期融合（各层建模后整合预测，如stacking、voting、averaging）、中期融合（先各层表征再合并）及混合融合。Nguyen et al.的MCED采用早期拼接加三种ML，XGBoost优于stacking；又用9个基础模型加线性回归的晚期stacking。模态可用性影响融合选择；早期拼接需完整输入或重建/掩码；部分中期融合可学习可用模态联合表征但需方法支持；晚期融合可组合可用模态模型预测并调整权重。算法包括正则化线性回归、核方法、树和集成方法（随机森林、XGBoost、AdaBoost）、支持向量机、神经网络和多层感知机；DL包括卷积神经网络、注意力模型、循环神经网络/长短期记忆网络；Transformer已用于cfDNA片段如DECIDIA；大语言模型和基础模型如LLaMA已用于cfDNA预测癌症，但尚未用于LB多组学整合，受样本量、算力和数据限制。模型调优与内部验证采用训练、验证、测试划分；验证集用于特征选择、超参数优化、架构和模型选择，测试集用于内部验证；样本量有限时用bootstrapping和k折交叉验证，小n高p用嵌套交叉验证避免乐观偏倚；晚期融合需优化单模态模型和整合机制且测试集不参与；类别不平衡用类权重或SMOTE，且仅限训练部分，验证和测试保持原始分布；重采样影响校准，需在未重采样数据评估判别和校准；应报告软件/包版本、随机种子、预处理、特征选择和超参数搜索空间；判别指标包括precision、recall、F1分数、accuracy、AUC、ROC曲线和混淆矩阵，类别不平衡时用precision–recall曲线和PR-AUC并报告病例比例；校准指标包括观察/预期（observed-to-expected, O/E）比、calibration-in-the-large、校准斜率、校准图和Brier评分；时间事件结局用C-index和时间依赖AUC，并处理竞争风险。模型可解释性方面，可解释模型包括线性/逻辑回归、广义线性模型、广义可加模型、决策树和决策规则；复杂黑箱模型用模型无关全局或局部方法；SHAP（SHapley Additive exPlanations）可估计特征贡献；Wang et al.用SHAP排序发现MRD、治疗方式和基线ctDNA状态为PRIME模型前3贡献；多组学高维相关冗余使特征归因和生物学解释复杂，相关特征可影响SHAP归因；应在相关生物标志物背景解释并补充通路、特征组或模态层面分析；特征归因非因果证据，可能为相关代理、混杂或技术效应；可解释性分析应主要生成假设，优先独立队列复制、正交验证和功能实验。外部验证与模型更新方面，外部验证确保模型泛化，包括时间、地理、域和技术验证；25项中6项进行外部或部分验证，近年增加；Chabon et al.的LungClip在独立前瞻队列外部验证；Eledkawy et al.用外部数据库部分验证；外部验证数据集应适合预期用途、代表目标人群和临床环境、独立于开发数据、资格标准和结局定义一致、包含所有预测因子、测量时间点合适且程序代表实践；需注意预分析、平台、实验室/批次和缺失模式差异；样本量应足以精确估计判别、校准和临床效用；性能差异不应自动归因过拟合，应比较病例组合、结局患病率/发病率、预测因子分布和技术测量特征；判别保持但校准-in-the-large偏移提示基线风险变化，斜率恶化提示预测过极端或关联变化，判别下降伴病例组合/技术差异可能反映人群或测量漂移；更新范围从重校准到模型修订/重建，依据性能下降类型和幅度、新信息及数据量；判别保持但系统误校准可重校准截距或基线风险，或同时重校准截距和斜率；预测因子-结局关联差异大需重估，模型扩展可加入新预测因子；越复杂更新需更多参数和样本，应选能解决需求的最简策略；更新后需内部验证和进一步外部验证。临床效用和经济影响评估方面，临床效用衡量模型对决策、患者结局和成本效果的影响；影响研究可为随机对照试验、前后对照或其他比较研究；净效益和决策曲线分析（decision curve analysis, DCA）评估不同阈值下净效益；阈值与最小阳性预测值（positive predictive value, PPV）相关，PPV依赖患病率、敏感性和特异性；原文举例AUC 0.90、患病率1%、特异性95%、敏感性60%时，每1000人约6例真阳和50例假阳，下游诊断负担明显；Youden指数不考虑患病率、假阳性后果和临床权衡；DCA在临床合理阈值如1–2%可揭示相对“全部筛查”或“不筛查”的净效益；仅AUC不足；经济评估用成本效果分析如每获得质量调整生命年成本。
挑战与未来展望：原文列出高质量可靠数据、充分预处理和探索分析、AI模型探索与稳健指标、外部验证和校准、可解释性、模型更新、数据隐私伦理等挑战；伦理、法律和社会影响（Ethical, Legal and Social Implications, ELSI）流程不标准化且碎片化，通用数据保护条例（General Data Protection Regulation, GDPR）解释不一，阻碍大型研究网络数据整合；需协调审批并遵循FAIR原则和FUTURE原则（Fair, Universal, Traceable, Usable, Robust, Explainable）。生成式AI和大语言模型可用于数据增强、缺失层或特征插补、合成数据生成和基础模型开发；Orion为变分自编码器，用于循环非编码RNA潜在空间生成采样以增强训练表征并改善癌症分类。
讨论部分总结：整合LB多组学AI研究仍属新兴领域，方法学实践异质且存在缺口，包括研究设计与样本量、预处理、融合策略、校准、外部验证、可解释性和临床效用评估不足；需高质量数据、标准化预处理、稳健模型评估、外部验证与更新、可解释性、隐私伦理及FAIR/FUTURE原则；生成式AI有潜力但受样本量、算力和数据可得性限制。
研究结论翻译：尽管仍属新兴领域，越来越多研究整合多层LB组学数据以回答肿瘤学关键问题。该 methods article 连接LB与AI方法学，提供指导以确保研究设计良好、数据分析适当、结论具有生物学相关性和临床意义。作为简明实用建议，鼓励研究人员遵循以下步骤：1. 明确研究目标和临床背景，包括预期应用（如早期检测、预后、治疗反应）和目标人群。2. 理解数据的生物学和统计学特性，包括特征类型、分布、稀疏性和潜在技术变异来源。3. 采用适当的数据拆分和验证策略，根据样本量和建模复杂性在训练-测试拆分、交叉验证或嵌套交叉验证间选择。4. 尽可能在训练数据上执行预处理步骤，包括离群值处理、缺失值插补、批次效应校正、归一化、降维和特征选择，然后应用于验证或测试集。5. 选择与研究目标一致的整合策略和建模方法，考虑早期、中期或晚期融合及合适模型类别（如线性模型、树基方法、DL）。6. 报告适合任务和数据特征的性能指标，包括判别和校准，并在类别不平衡和临床相关性背景下解释。7. 纳入模型可解释性分析，使用适当全局和/或局部可解释性方法评估特征贡献，支持生物学合理性并促进临床信任。8. 尽可能进行外部验证和模型更新，并评估临床效用，因为这些步骤对评估泛化性至关重要。研究人员认为遵循这些原则将提高基于AI的整合性LB研究的可重复性、稳健性和转化相关性。
