科學家們將機器學習與血液代謝物資訊相結合，開發了一種新的早期診斷測試，能夠以93%的準確率檢測卵巢癌。
三十多年來，醫生一直無法對卵巢癌進行高度準確的早期診斷測試。 現在，喬治亞理工學院綜合癌症研究中心（ICRC）的科學家將機器學習與血液代謝物資訊相結合，開發出一種新的測試，可以檢測該團隊研究小組樣本中的卵巢癌，準確率為93%。
紅十字國際委員會創始主任、該研究的通訊作者、生物科學學院名譽教授約翰·麥克唐納（John McDonald）解釋說，對於臨床分類為正常的女性，新檢測方法比現有檢測方法更準確，而且特別得到改進。 在該佇列中檢測早期卵巢疾病。
該團隊的結果和方法在2024年3月發表在醫學雜誌《腫瘤學》上的一篇新文章《卵巢癌診斷的個性化概率方法》中進行了詳細介紹。 基於他們的計算機模型，研究人員開發了一種他們認為在臨床上更有用的方法來診斷卵巢癌 - 患者的個體代謝特徵，可用於更準確地確定疾病存在或不存在的可能性。
“這種個性化的、概率性的癌症診斷方法比傳統的二元（是不是）測試更具臨床資訊性和準確性，它代表了卵巢癌以及其他癌症早期檢測的乙個有前途的新方向，”麥克唐納說。 ”
沉默的殺手
卵巢癌通常被稱為沉默的殺手，因為這種疾病在第一次出現時通常是無症狀的，並且通常直到發展的後期才被發現，此時很難**。
McDonald解釋說，雖然晚期卵巢癌患者的平均五年生存率（即使在**之後）約為31%，但如果卵巢癌被早期發現，並且**，平均五年生存率將超過90%。 “顯然，非常需要對這種潛在疾病進行準確的早期診斷測試。 ”
儘管三十多年來一直在積極開發卵巢癌的早期檢測方法，但事實證明，開發早期、準確的診斷方法很難實現。 麥克唐納解釋說，由於癌症始於分子水平，因此有多種可能的途徑甚至可能導致相同型別的癌症。
“由於患者之間的這種高度分子異質性，不可能確定卵巢癌的單一通用診斷生物標誌物，因此，我們選擇使用人工智慧的乙個分支 - 機器學習 - 來開發另一種概率方法來應對卵巢癌診斷的挑戰，”麥克唐納說。 ”
代謝特徵
該研究為喬治亞理工學院的合著者Dongjo Ban的研究做出了貢獻，他解釋說：“眾所周知，代謝水平的終點變化反映了在多個分子水平上共同作用的潛在變化，因此我們選擇代謝分析作為我們分析的支柱。 ”
合著者Jeffrey Skolnick補充道：“人類代謝物的收集是細胞健康的集體衡量標準，通過不事先任意選擇任何子集，它允許人工智慧找出哪些是特定細胞中的關鍵參與者。 ”
質譜法可以通過檢測代謝物的質量和電荷特徵來識別血液中代謝物的存在。 然而，Ban說，代謝物的精確化學成分需要更廣泛的表徵。
Ban解釋說，由於迄今為止，在人體血液中迴圈的代謝物的精確化學成分中只有不到7%被化學表徵，因此目前無法準確確定影響個體代謝特徵的特定分子過程。
然而，該團隊認識到，即使不知道每種代謝物的精確化學成分，也可以將不同個體血液中不同代謝物的存在作為特徵納入基於機器學習的準確**模型的構建中（類似於在構建面部模式識別演算法中使用單個面部特徵），即使不知道每種代謝物的精確化學成分。
已知數以千計的代謝物在人體血液中迴圈，它們可以通過質譜法輕鬆準確地檢測出來，並結合機器學習，以建立準確的卵巢癌診斷。 潘基文說。
一種新的概率方法
研究人員開發了他們的綜合方法，結合代謝組學特徵和基於機器學習的分類器，在對來自喬治亞州、北卡羅來納州、費城和加拿大西部的 564 名女性進行測試時，建立了準確率為 93% 的診斷測試。 研究中的431名參與者是活躍的卵巢癌患者，而研究中的其餘133名女性沒有卵巢癌。
麥克唐納說，進一步的研究已經開始研究該測試能夠檢測出沒有臨床症狀的女性疾病早期階段的可能性。
麥克唐納預計，在臨床上，乙個人的代謝特徵處於極不可能患癌症的評分範圍內，只需要每年監測一次。 然而，如果乙個人的代謝評分在大多數（例如，90%）先前被診斷患有卵巢癌的人的範圍內，他們可能會被更頻繁地監測，或者可以立即轉診進行高階篩查。
熱點引擎程式