《Cancer Prevention Research》：Example of an infrared spectrum detailing the main blood plasma components....
Open Access
编辑推荐：
本文评估了基于傅里叶变换红外光谱（FTIR）的Dxcover液态活检平台在结直肠癌（CRC）早期检测中的表现。该平台通过分析血浆样本的“全生物分子谱指纹”，结合机器学习，展现出对早期（I/II期）CRC的高灵敏度（达95%）。该研究提示，这种简便、快速的血液检测方法，在优化筛查依从性和辅助临床决策（如作为“看门人”或“附加”检测）方面具有巨大潜力，有望超越美国医疗保险和医疗补助服务中心（CMS）设定的检测性能基准。
摘要
结直肠癌是全球最常见和致命的癌症之一，早期诊断和干预对改善患者预后至关重要。然而，现有筛查方法（如结肠镜、粪便检测）存在侵入性强、依从性不理想等局限性。液态活检，特别是基于血液的检测，因其便捷性而成为有前景的替代方案。本研究旨在评估Dxcover液态活检平台——一种结合傅里叶变换红外光谱与机器学习分析的快速、多组学技术——在平均风险人群中早期检测结直肠癌的诊断准确性。
引言
结直肠癌的5年生存率在早期（I期）可达约91%，但到IV期则骤降至约15%。因此，在无症状个体中进行早期筛查极为重要。结肠镜是诊断的金标准，但其侵入性和资源限制使其不适合作为一线筛查工具。粪便检测（如Cologuard）虽已获批，但其依从性仍是重大挑战，研究表明在超过1万名参与者中，12-15个月内完成粪便免疫化学检测（FIT）的不足25%。许多个体表示更倾向于提供血液样本而非粪便样本，这推动了血液检测的发展。Guardant Health的Shield检测已于2024年获美国食品药品监督管理局（FDA）批准。
Dxcover液态活检平台是一项有前景的技术。其原理是：用红外光照射生物样本，引起样本内分子振动，产生独特的红外光谱。该光谱信号涵盖了代谢物、电解质、碳水化合物、脂质、蛋白质、外泌体等多种生物分子的信息，形成样本的“指纹”。这是一种“多组学”技术，捕获来自肿瘤和非肿瘤反应的全范围诊断信息，且无需DNA分离或提取，在成本和时间效率上具有优势。该平台最初开发用于脑癌早期检测，并在多癌种检测中显示出潜力。
材料与方法
研究概述
研究在美国多个临床中心招募了957名患者，包括48名结直肠癌患者、157名高级别癌前病变（APL）患者、331名非高级别病变（NAL）患者和421名结肠镜检查阴性患者。患者按以下标准分组：结直肠癌（I-IV期腺癌）；APL（任何大小伴高级别不典型增生/原位癌的腺瘤，或绒毛状生长模式≥25%的腺瘤，以及任何≥10毫米的腺瘤或无蒂锯齿状病变（SSL）或增生性息肉）；NAL（最多3个<10毫米的腺瘤）；阴性（结肠镜检查无发现，或组织病理学检查无腺癌、腺瘤或其他肿瘤，包括<10毫米的增生性息肉）。数据集在年龄和性别上进行了匹配，参与者平均年龄为60岁，符合平均风险筛查的典型年龄范围（45-85岁）。研究包含前瞻性收集和生物样本库回顾性补充的病例，所有患者采血均在预定结肠镜检查或手术切除及任何抗癌治疗之前。
样本处理与患者样本分析
使用Streck血浆采血管采集血液样本，通过双重离心过程获取血浆，并储存于-80°C。样本被运至英国Dxcover实验室进行分析。将3微升血浆点样至Dxcover样品载片上，脱水形成干燥样品膜，然后使用Dxcover液态活检平台进行分析。每个样本收集9个重复光谱。分析人员对真实诊断结果设盲。
数据分析
使用机器学习模型构建诊断算法。采用嵌套交叉验证（CV）策略以减少抽样偏差。患者以70:30的比例随机分为训练集和测试集，重复51次。在训练集上使用五折CV调整模型超参数，然后对测试集光谱进行预测。每个患者的最终诊断取全部9个光谱的共识预测（最大投票）。当交叉验证特异性调至90%时，评估测试集的灵敏度与特异性。
结果
结直肠癌检测
在将结直肠癌与其他所有组进行分类的模型中，ROC曲线的曲线下面积（AUC）为0.95，显示出优异的区分能力。当交叉验证特异性调至90%时，测试集的灵敏度和特异性分别为90%和89%。诊断模型准确预测了75%（3/4）的I期、100%（15/15）的II期、93%（14/15）的III期和100%（6/6）的IV期结直肠癌。有8例分期未知的结直肠癌，其中63%（5/8）检测结果为阳性。
晚期结直肠肿瘤检测
将APL与结直肠癌合并为阳性组，评估晚期结直肠肿瘤（适用于无症状结直肠癌筛查的最相关模型）的检测性能。该模型的总体结直肠癌灵敏度为92%，其中I期和II期癌症的检测正确率为95%，特异性为88%。29%的APL被该模型检测到，值得注意的是，44%的具有绒毛状生长模式的腺瘤被成功识别。对于SSLs和大增生性息肉组，灵敏度较低（22%）。阴性病例（结肠镜检查无发现且未取活检）的特异性为90%。NAL组的检出率因息肉大小和数量而异：对于息肉较小（≤5毫米）或数量较少（1或2个）的NAL患者，检出率较高（90%）；而对于息肉较大（>5且<10毫米）或数量较多（≥3个腺瘤）的NAL病例，检出率较低（分别为85%和83%）。该模型的ROC曲线AUC为0.7。在90%特异性交叉验证阈值下，29%的APL和92%的结直肠癌被检出。该技术允许根据临床优先级调整机器学习模型以实现更高的灵敏度（或特异性）。例如，APL灵敏度在特异性调至95%时为23%，在特异性为80%时可增至40%。
讨论
这种简便、快速的液态活检作为结直肠癌检测的替代诊断工具具有强大潜力。在针对结直肠癌检测优化的模型中，训练集在设定交叉验证特异性为90%时实现了90%的灵敏度。此外，按分期划分时，该测试成功检测出95%的I期和II期肿瘤，显示出巨大的早期检测潜力。本探索性研究中使用的基础机器学习算法可以根据不同诊断路径和医疗体系的具体需求进行调整——例如，在保持另一项指标处于可接受水平的同时，优先考虑灵敏度或特异性。本研究结果表明，该检测可能超越美国医疗保险和医疗补助服务中心为结直肠癌检测覆盖设定的最低性能水平（74%灵敏度和90%特异性）。
对于晚期结直肠肿瘤模型，29%的APL被检出。虽然检测这些癌前病变的灵敏度低于结直肠癌，但考虑到现有筛查方法在识别此类情况方面已知的挑战，这仍然是一个有希望的结果。例如，近期获批的Shield检测在其关键的ECLIPSE试验中，在设定任何晚期肿瘤特异性为90%时，实现了83%的结直肠癌灵敏度。按分期划分时，其检测能够发现81%的临床I至III期结直肠癌病例，但仅能发现55%的单纯I期病例。然而，在该关键临床试验中，仅检测到13%的晚期腺瘤（APL）。Freenome在其临床验证研究中也报告了与Shield检测相似的性能，实现了12.5%的APL灵敏度，这凸显了当前血液检测技术正在努力克服的挑战。目前，CMS在其结直肠癌筛查覆盖决策中未指定腺瘤检测的灵敏度要求。然而，该领域内对此议题进行了广泛讨论，未来CMS指南可能会纳入APL灵敏度及相应检测特异性的标准。
Dxcover液态活检平台可根据所需的临床应用以不同方式使用。例如，它可以作为一个额外的“看门人”检测，减少进入进一步确诊检测（如医学影像）的患者数量。或者，它可以作为一项“附加”检测，提高早期检测工作的灵敏度，并引导更多患者进行结肠镜检查。此外，本文呈现的结果仅基于光谱数据，但当与其他信息（如生物标志物数据——例如蛋白质肿瘤标志物——或临床风险因素）结合时，可能会有提高检测性能的空间。用于前列腺癌的Select MDx检测就是一个将生物标志物水平与风险因素相结合的商业化液态活检例子。Dxcover液态活检可以类似方式应用，结合光谱输出、生物标志物数据和临床风险因素。此外，不同液态活检技术之间的合作，通过研究基于不同原理的各种检测组合，可能为开发更有效的筛查工具铺平道路。当考虑不同筛查方法（如粪便检测与血液检测）的依从率时，这种液态活检的前景进一步凸显。
此处的研究结果强调了该技术作为筛查液态活检或分流工具以帮助优先安排患者进行结肠镜检查的潜力，从而缓解超负荷的候诊名单压力。然而，需要注意本研究的一些局限性。首先，数据集中混合了前瞻性和回顾性病例，这通常会导致算法训练出现偏倚。前瞻性招募用生物样本库中确诊结直肠癌患者的样本进行了补充，以确保有足够的阳性病例用于算法训练。回顾性病例的临床数据可能有限，例如本研究中分期未知的病例（n=8）。因此，未来的研究将受益于更大规模的前瞻性试验，以消除用回顾性病例进行富集的需要。此外，所有前瞻性样本和部分库存样本均在患者接受肠道准备之前采集。相比之下，大多数库存病例的肠道准备状态未知。尽管如此，所有患者在采血时均未接受治疗，且血液样本均以相同方式处理。需要进一步的研究来验证这项技术，涉及更大的患者队列以及对组合诊断路径的探索。一种对早期结直肠癌具有高灵敏度的简易血液检测可显著改善患者预后。随着持续开发，这种液态活检有潜力对结直肠癌的早期检测产生实质性影响。
