本次研究采用了多种前沿技术。在检测技术方面,运用了液体活检,通过分析血清中的原卟啉 IX(PpIX)水平来区分健康个体和高级别胶质瘤患者;利用衰减全反射 - 傅里叶变换红外光谱(Attenuated Total Reflection-Fourier Transform Infrared spectroscopy,ATR-FTIR)结合多重分形分析研究细胞系的转移潜能;开展了尾引物等温扩增实验,实现了在一次性检测盒中对三种高危型人乳头瘤病毒(hrHPV)基因型的多重检测。在数据分析方面,借助人工智能(AI)和机器学习技术,对大量的患者数据进行处理和分析,如开发 AI 决策支持工具检测皮肤病变、构建 AI 模型进行乳腺癌风险分层等。研究还涉及对多种癌症相关队列的分析,包括肝癌、结直肠癌、肺癌等。
潜在生物标志物的发现:研究提出 CXCL5 和 CXCL14 可能是结直肠癌的潜在生物标志物,这对于结直肠癌的早期诊断具有重要意义。此外,还对隐源性肝细胞癌(HPC)进行了分析,并开展了针对 HPC 的 DNA 甲基化标记的相关研究,为肝癌的研究和诊断提供了新的视角。
人工智能助力癌症筛查:开发的 AI 决策支持工具,使用目标检测算法在患者全身图像中定位和分离皮肤病变,临床验证显示对专家选定的前 10 个 AI 识别的可疑皮肤病变的平均灵敏度达到 95%。基于年龄、中性粒细胞与淋巴细胞比值、红细胞计数等因素构建的 AI 模型,为乳腺癌风险分层提供了依据,有助于制定基于风险的筛查策略。利用卷积神经网络方法进行参考区间(RI)估计,并应用于卵巢癌生物标志物癌抗原 125 的研究,发现其具有强烈的年龄依赖性 RI,对卵巢癌诊断具有潜在意义。
然而,目前的研究仍面临一些挑战。尽管研究不断推进,但距离实现对所有肿瘤的完美检测仍有很长的路要走。随着检测方法对足够大小肿瘤的灵敏度接近 100%,在后续筛查中癌症的检测率将受到疾病真实发病率的限制,如何在这种情况下准确评估新技术的效果是一个亟待解决的问题。此外,非侵入性传感器技术结合 AI 算法的发展虽然前景广阔,但仍需进一步完善和验证。未来,癌症筛查技术有望不断突破,实现更低肿瘤检测尺寸的目标,甚至有可能在单细胞水平检测癌症。研究人员需要不断努力,攻克技术难题,为全球癌症防治事业做出更大的贡献。通过持续的研究和创新,有望最终开发出完美或近乎完美的癌症筛查工具,让癌症不再成为人类健康的巨大威胁。