将多维片段组学特征整合到机器学习中，利用无细胞DNA实现头颈部鳞状细胞癌的早期检测

《npj Precision Oncology》：Machine learning integration of multi-dimensional fragmentomic features of cell-free DNA for early detection of head and neck squamous cell carcinoma

　　

摘要

头颈部鳞状细胞癌（HNSCC）通常在晚期才被诊断出来，这凸显了开发准确且无创的检测方法的必要性。在DECIPHER-HNSC研究中，我们构建了一个集成式机器学习模型，该模型结合了多维无细胞DNA（cfDNA）片段组学特征，包括局部拷贝数变异、片段大小分布以及全基因组甲基化信息。该模型基于144名HNSCC患者和148名健康对照组的数据进行训练，并在两个独立队列中进行了验证（内部队列：n=196；外部队列：n=193）。验证结果显示，在内部队列中，该模型的曲线下面积（AUC）为0.962（95%置信区间：0.937–0.987）；在外部队列中为0.966（95%置信区间：0.943–0.989）。在95%的特异性下，模型的灵敏度分别为78.0%和81.1%，并且在不同临床亚组中表现一致。片段组学特征与肿瘤侵袭性相关；即使考虑关键临床协变量后，无论是使用诊断阈值还是作为连续变量进行建模，较高的预测分数也能独立预测更短的总体生存时间。这些发现表明，基于人工智能（AI）的cfDNA片段组学方法是HNSCC早期检测和风险分层的有效途径，具有推动精准医疗发展的潜力。