提高前列腺癌诊断的准确性：基于机器学习的生物标志物方法

《Human Genomics》：Enhancing prostate cancer diagnosis: a machine learning-based biomarker approach

前列腺癌诊断中基于机器学习的六基因生物标志物（DLX1、TDRD1、AMACR、HPN、HOXC6、OR51E2）在组织样本中AUC达95.9%，血浆中AMACR联合临床参数AUC为93.21%，有效减少活检不确定性并提升早期诊断效率。

　　

摘要

背景

由于缺乏可靠的前列腺癌（PC）诊断筛查生物标志物，组织活检成为金标准方法。然而，活检结果经常不明确，这导致需要重复进行检测，增加了患者的负担和医疗成本。在这种情况下，机器学习（ML）提供了一种新的方法来识别与肿瘤存在相关的基因特征，为提高PC检测能力带来了希望。因此，本研究探讨了基于ML的基因特征的诊断潜力及其在组织和血浆样本中的适用性。

方法

本研究评估了使用TCGA数据（n = 608）开发的基于ML的算法的临床适用性，并在独立数据集（n = 349）中进行了测试。最初，通过靶向RNA-Seq在前列腺组织验证队列（n = 141）中对对预测模型贡献最大的11个候选基因进行了分析，并分别通过qPCR和dPCR在复制组织（n = 75）和血浆（n = 50）队列中进行了进一步验证。

结果

对前列腺组织的基因表达分析发现了一个六基因特征（DLX1、TDRD1、AMACR、HPN、HOXC6和OR51E2），其诊断性能很高（AUC = 95.9%）。表达模式表明该基因特征有助于识别假阴性病例并正确分类不确定的活检结果。在血浆中，当与临床参数结合使用时，AMACR作为一种无创生物标志物显示出额外的诊断价值（AUC = 93.21%）。

结论

这些发现表明，基于ML的基因特征能够准确区分前列腺癌和非肿瘤组织，并解决活检结果的不确定性。将其与组织病理学结合使用，有望降低诊断不确定性，提高PC的早期检测率并指导临床决策。

图形摘要