基于游离 RNA 和金字塔场景解析网络的子痫前期早期筛查研究：开启精准预测新征程

《BMC Pregnancy and Childbirth》：Exploring the potential of cell-free RNA and Pyramid Scene Parsing Network for early preeclampsia screening

子痫前期（PE）危害母婴健康，当前诊断存在不足。研究人员开展 “探索游离 RNA（cfRNA）和金字塔场景解析网络（PSPNet）用于早期 PE 筛查” 的研究。结果显示 PSPNet 模型可靠快速，能监测 PE 风险。该研究为早期 PE 预测提供新方法，意义重大。

　　子痫前期（Preeclampsia，PE）是妊娠期特有的一种严重并发症，通常在妊娠 20 周后出现高血压症状，常伴有多器官功能障碍 ，严重威胁着母婴的生命健康。据统计，每年全球约有 70,000 例孕产妇死亡和 500,000 例胎儿及新生儿死亡与子痫前期相关。尽管科研人员尝试利用多种指标进行诊断，但目前仍缺乏精准、早期的诊断方法，许多子痫前期病例要么诊断过晚，要么被漏诊，这让无数家庭陷入担忧和困境。

近年来，循环游离 RNA（circulating cell-free RNA，cfRNA）成为了研究的热点，它包含多种类型的转录本，存在于多种体液中，与多种疾病相关，在临床应用领域极具潜力。有研究表明，特定的 cfRNA 标记物或许能在症状出现前预测子痫前期。然而，传统的 cfRNA 研究在筛选疾病特异性生物标志物方面效率较低，且多为一维分析，难以充分利用测序数据的价值。

在此背景下，西安交通大学的研究人员开展了一项旨在探索 cfRNA 和金字塔场景解析网络（Pyramid Scene Parsing Network，PSPNet）用于早期子痫前期筛查的研究。该研究成果发表在《BMC Pregnancy and Childbirth》杂志上，为子痫前期的早期预测带来了新的曙光。

研究人员主要采用了以下关键技术方法：首先，从公共数据库（Gene Expression Omnibus，GSE192902）获取 cfRNA 测序数据，这些数据来自 180 例正常妊娠（normal pregnancy，NP）和 69 例子痫前期（PE）样本，采集于两个孕周阶段（≤12 周和 13 - 20 周）。然后，运用数据预处理算法筛选出与子痫前期相关的 cfRNA 指标，并以此构建训练和验证数据集。最后，构建 PSPNet 模型，该模型包含卷积神经网络（Convolutional Neural Network，CNN）模块、金字塔池化模块和输出模块，通过训练和优化，实现对子痫前期风险指数（Preeclamptic Risk Index，PRI）的预测。

研究结果如下：

• 数据筛选成果：经过多重测试和参数优化，研究人员从最初检测到的 7,160 个 cfRNA 中筛选出了具有显著差异的指标。在≤12 周的样本中，确定了 29 个 cfRNA 作为 PE 指标；在 13 - 20 周的样本中，确定了 25 个 cfRNA 作为 PE 指标。这些指标涉及多种生物学过程和分子功能，为后续研究提供了关键线索1。
• PRI 计算与模型验证：根据临床诊断结果，将 PE 患者的 PRI 定义为 “1”，NP 患者定义为 “0”，并据此计算出每个参与者的 PRI，作为 “计算 PRI”（calculated PRI）。通过 PSPNet 模型得到的预测 PRI（PSPNet-based PRI）与计算 PRI 进行比较。结果显示，对于≤12 周采集的样本，两者的平均绝对误差（Mean Absolute Error，MAE）为 0.0178；对于 13 - 20 周采集的样本，MAE 为 0.0195。这表明 PSPNet 模型预测的 PRI 与实际情况拟合良好23。
• 模型性能评估：PSPNet 模型在预测 PRI 时，误差幅度控制在较小范围内。≤12 周样本的最大绝对误差为 0.098，峰谷（peak-to-valley，PV）误差为 0.114，平均绝对误差为 0.032；13 - 20 周样本的最大绝对误差为 0.13，PV 误差为 0.195，平均绝对误差为 0.055。此外，该模型的处理效率极高，输出一个 PRI 值的平均时间仅为 10^-4s / 样本，能够快速处理大量测序数据45。
• 对比实验结果：研究人员将 PSPNet 模型与卷积神经网络（CNN）和多层感知器（Multilayer Perceptron，MLP）进行对比实验。结果表明，PSPNet 模型在预测结果与实际值之间的误差最小，在 NP 和 PE 的 PRI 预测中均表现出色。在综合评估指标（如 MAE、Precision、Recall、AUC、ROC 曲线和 F1-score）方面，PSPNet 模型也优于 CNN 和 MLP 模型，其 ROC 曲线更高，AUC 更大，对 PE 样本的分类效果更好67。

研究结论与讨论：本研究成功利用 cfRNA 生物标志物结合 PSPNet 模型，开发出一种可靠的 PRI 预测方法，用于子痫前期的预测。该方法具有快速、微创的特点，能够实现对个体子痫前期风险的持续监测，为早期干预和个性化护理提供了有力支持。与以往研究相比，该模型不仅预测时间更早（最早可在 12 周进行评估），而且预测误差控制在 0.043（平均值）以内，处理时间极短，在临床应用方面具有巨大潜力，尤其适用于医疗资源有限的偏远地区。然而，研究也存在一定局限性，如深度学习模型容易出现拟合误差和过拟合现象，且实际 cfRNA 测序数据量较小，多种因素会影响 cfRNA 水平，进而影响研究结果的重复性、可解释性和特异性 。未来研究可以考虑整合更多的医学信息，如病史、实验室变量和其他生物标志物，进一步优化 PSPNet 模型，提高预测准确性。同时，随着人工智能技术的发展，在利用公共数据库进行研究时，要更加注重患者隐私保护和数据的合理使用 。总之，这项研究为子痫前期的早期预测开辟了新的道路，有望改善全球孕产妇和新生儿的健康状况。