一种多模态粪便RNA（FIT）与机器学习结合的方法，用于检测晚期癌前病变和结直肠癌 开放获取

《Cancer Prevention Research》：A Multimodal Stool RNA, FIT, and Machine Learning Concept for the Detection of Advanced Precancerous Lesions and Colorectal Cancer Open Access

　　

摘要

准确有效地早期检测结直肠癌和高级癌前病变（APL）仍然是一个挑战。本研究的目的是评估一种新型的非侵入性多模态粪便RNA（mm-stRNA）测试的临床性能，该测试结合了五种人类信使RNA（mRNA）生物标志物和一种粪便免疫化学测试（FIT），通过机器学习（ML）生成的算法来敏感地检测APL和结直肠癌。为此，从265名受试者（34例结直肠癌、68例APL和163例对照组）中收集了粪便样本，这些受试者是参与eAArly DETECT研究的对象，该研究是一个多站点研究，包括至少患有APL或结直肠癌的受试者以及普通风险人群。FIT的临床阳性阈值分别为5 μg血红蛋白（Hb）/克粪便和17 μg Hb/克粪便。从稳定的粪便中提取RNA，并分析五种mRNA生物标志物的表达水平。实验室数据使用在分层分层样本设计中开发的ML生成算法进行分析，然后将该模型应用于全部265名受试者的队列。mm-stRNA测试对结直肠癌的敏感性为97.1%，对APL的敏感性为83.8%，特异性为95.7%。当应用5 μg Hb/克与17 μg Hb/克的临界值时，FIT对结直肠癌的敏感性分别为76.5%和70.6%，对APL的敏感性分别为45.6%和36.8%，特异性分别为84.0%和90.8%。与现有测试相比，mm-stRNA方法的表现似乎有显著提高，但结果需要在独立的前瞻性队列中进行重复验证。

预防意义：

本研究评估了一种非侵入性的stRNA测试——FIT，与单独使用FIT相比，该测试显著提高了APL和早期结直肠癌的检测率。通过在恶性转化之前消除高风险病变，这种方法可以在基于人群的筛查项目中显著降低结直肠癌的发病率和死亡率。