卵巢肿物的术前良恶性鉴别面临显著挑战，尤其在血清生物标志物呈阴性或非特异性时更为突出。研究人员开展了一项多中心观察性诊断建模研究，对训练、内部测试、外部测试及两个探索性队列共743名受试者进行血浆游离DNA（cell-free DNA, cfDNA）低深度全基因组测序（low-pass whole-genome sequencing）。研究纳入四类片段组学特征：片段长度模式（fragment size pattern, FSP）、核小体足迹相关特征（nucleosome footprint-related features, NF）、拷贝数变异（copy-number variation, CNV）与重复元件模式（repeat element pattern, REP），并构建堆叠机器学习模型。模型开发与截断值选取仅基于训练队列，随后在内部与外部测试队列中评估。cfDNA模型在内部测试与外部测试队列的受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）分别为0.930（95%置信区间[confidence interval, CI] 0.894–0.966）与0.932（95% CI 0.891–0.972）。将cfDNA与癌抗原125（cancer antigen 125, CA125）及人附睾蛋白4（human epididymis protein 4, HE4）联合后，AUC提升至0.964（内部：95% CI 0.938–0.990；外部：95% CI 0.938–0.991）。在训练队列衍生的截断值下，联合模型保持88.4%与89.2%敏感度的同时，特异度由77.9%升至88.4%、由78.9%升至91.5%。cfDNA模型可有效检出CA125和/或HE4低于常规阈值的癌症，事后分析显示其在加入恶性风险算法（Risk of Ovarian Malignancy Algorithm, ROMA）后亦具互补判别价值。上述结果支持将整合cfDNA片段组学作为卵巢肿物术前风险分层的辅助手段并进行前瞻验证。
研究背景与立项依据
卵巢癌是妇科肿瘤中致死负担最重的疾病之一，远处转移期五年相对生存率明显低于局限期。当前临床依赖盆腔影像与血清标志物，其中癌抗原125（CA125）最常用，但其对早期病变敏感度有限，且在良性妇科与炎症性疾病中亦可升高；人附睾蛋白4（HE4）与恶性风险算法（ROMA）虽可辅助分层，但在不同临床场景中表现并不稳定，基于CA125的人群筛查亦未显现明确死亡降低获益。游离DNA（cfDNA）可反映肿瘤相关细胞死亡与染色质紊乱，片段组学（fragmentomics）从片段长度、核小体保护模式、拷贝数改变与重复序列构成等不依赖突变的维度提供信号。已有研究提示多维cfDNA片段组学对卵巢癌有判别潜力，但在术前“良性附件肿物 vs 恶性”这一真实鉴别诊断场景中，仍需训练-测试分离、独立外部验证并与常规标志物互补评估的研究。
