肿瘤前沿肺结节之滴血验癌

　　广州医科大学附属第一医院何建行教授/梁文华教授团队与基准医疗范建兵教授团队、中山大学附属第一医院程超教授团队、中南大学湘雅二医院喻风雷教授团队等14家参研中心在国际知名学术期刊《The Journal of Clinical Investigation》（影响因子：11.864） 发表了标题为《Accurate diagnosis of pulmonary nodules using a non-invasive DNA methylation test》 的多中心临床研究论文。
　　2020年12月15日，世界卫生组织国际癌症研究机构（IARC）发布了2020年全球最新癌症数据，统计了全球185个国家36种癌症类型的最新发病率、死亡率情况，以及癌症发展趋势。数据显示，2020年全球新发癌症1930万例，死亡近1000万例；每5人中就有1人将在其一生中患癌症；每8名男性、每11名女性中就有1人将因癌症而死亡，其中，肺癌仍是导致癌症死亡的首要原因 ，约占癌症总死亡人数的18%。
　　肺癌早期发现与晚期发现的治愈率相比天差地别，5年总生存率从IA期的85%显著下降到IV期的6%。这使得肺癌早筛早诊成为一种挽救生命和节省医疗成本的最有利策略。
　　目前，对肺结节患者的临床管理依赖于重复的LDCT/CT扫描或侵入性检查，但这些方式易引起误判及过度诊疗，现阶段迫切需要一种准确的非侵入性检查来识别良恶性结节从而减少非必要的侵入性检查。
　　本项研究结果表明 ，基于血液的cfDNA甲基化标志物分类模型PulmoSeek可作为更好的检测手段来实现肺结节良恶性分类，显著提升肺结节诊断准确率，并为临床诊疗提供更有效决策指导，助力肺癌早发现早治疗。
　　什么是DNA甲基化？
　　DNA甲基化就像DNA表达的一个＂开关＂，属于表观遗传学范畴，它不会改变DNA，但通过对基因的修饰，调控基因表达，如通过对抑癌基因的抑制或原癌基因的激活，参与肿瘤的发生发展。
　　如果将人体形象地比喻成一个大型机器，基因（也就是常听说的DNA）就像是机器中一个个互相作用且关联的零件，它的缺失、增添、替换等都会影响机器的运作，就像基因改变后，可能会引起肿瘤的发生一样。
　　同时，甲基化就像是机器中遍布的＂开关＂，通过添加＂甲基＂的方式，＂打开＂或＂关上＂一个开关，导致一些零件没有用了，从而影响机器的运作。但是，零件还是零件。
　　对于肺癌，在致癌因素的刺激下，当细胞还未发生病理学可见的异常时，DNA甲基化已经发生改变。
　　随后当致癌因素持续刺激时，DNA甲基化改变不断累积，细胞逐渐发生病理学可见的改变及体细胞突变。DNA甲基化改变贯穿于肿瘤全病程，且早于基因的改变。
　　那DNA甲基化有多重要呢？如果将基因比喻为生命的＂种子＂，表观遗传（比如DNA甲基化）就像是土壤中水分、矿物质等，它不会改变种子，却时刻影响种子的成长。
　　如果土壤发生变化，比如干旱、板结等，种子也不会很好地生长。
　　以下为本次研究具体内容分享（如果直接看结论，滑到文末即可）：
　　本项目基于389例5-30mm肺结节阳性患者血浆样品，通过靶向DNA甲基化测序，开发了PulmoSeek肺结节良恶性诊断模型，并在140例血浆样品集中进行了独立验证；与此同时，本研究还在不同病理分期、不同结节大小及不同结节类型亚组中测试了该模型的诊断性能。
　　1
　　研究工作流程
　　在该项14家中心参与的前瞻性采样、回顾性盲法评估临床研究（prospective-specimen collection and retrospective-blinded-evaluation，PRoBE）中，合计入组585例患者，因cfDNA提取量不足（<5ng）排除30例，因测序QC不合格排除26例。利用309例血浆样本作为训练集，构建了PulmoSeek诊断模型，并在80例血浆样本的测试集中初步评估了该模型的诊断性能；之后，又在140例血浆样本的独立验证集中对该模型进一步评估。本研究重点考察了该模型对于直径为6-20mm且临床上判别难度较大的结节的诊断性能。最后，将PulmoSeek模型与其他临床常用的检测手段进行了比较（Figure 1）。
　　Figure1. Study flow of participants in the study.
　　2
　　PulmoSeek与Mayo Clinic/VA模型在5-30mm结节诊断中的性能比较
　　从ROC曲线可以看出PulmoSeek良好的分类性能（Figure 2）：
　　（A）在测试集中，PulmoSeek模型ROC曲线下面积(AUC)为0.83；在独立验证集中，AUC为0.84。
　　（B）在独立验证集中，Mayo Clinic模型的AUC为0.59，而Veteran’s Affairs(VA)模型的AUC为0.54。
　　（C）PulmoSeek在测试集（包含20例良性结节和60例恶性结节）的混淆矩阵及模型预测分数的分布。
　　（D）PulmoSeek在独立验证集（包含40例良性结节和100例恶性结节）的混淆矩阵及模型预测分数的分布。
　　Figure2. PulmoSeek performance compared to Mayo Clinic/VA model in all nodule sizes.
　　3
　　PulmoSeek在早期肺癌中的表现
　　以下数据基于独立验证集计算得出（Figure3）：
　　（A）PulmoSeek在早期癌症中的敏感性：0期为100%（n=2），IA期为94.1%（n=85），1B期为100%（n =5）。
　　（B）PulmoSeek在IA期不同亚分期的敏感性：IA1期为86.4%(n=22)，IA2期为95.0%(n=40)，1A3期为100% (n=23)。
　　Figure3. PulmoSeek performance in early-stage lung cancer.
　　4
　　PulmoSeek与Mayo Clinic/VA模型在6-20mm结节中的性能比较（Figure 4）
　　（A）在测试集中，PulmoSeek模型AUC为0.76；在独立验证集中，PulmoSeek模型AUC为0.84。
　　（B）在独立验证集中，Mayo Clinic模型的AUC为0.60，VA模型的AUC为0.51。
　　（C）PulmoSeek在测试集（包含14例良性结节和43例恶性结节）的混淆矩阵以及模型预测分数的分布。
　　（D）PulmoSeek在独立验证集（包含30例良性结节和73例恶性结节）的混淆矩阵以及模型预测分数的分布。
　　（注释：AUC是一种用来度量分类模型好坏的一个标准，AUC的值介于0.5到1.0之间，AUC越接近1，性能越好。）
　　Figure 4. PulmoSeek performance compared to Mayo Clinic/VA model in 6-20mm nodule sizes.
　　5
　　PulmoSeek与PET-CT在不同类型结节中的性能比较
　　该图（Figure 5）显示了独立验证集中包含PET-CT诊断记录的每个患者分别基于PulmoSeek（盒形）和PET-CT（菱形）的诊断结果。绿色表示样品诊断正确，红色表示不正确。PulmoSeek正确识别了实性结节亚型中的8/10例，部分实性结节亚型中的9/11例，磨玻璃结节亚型中的5/5例。PET-CT正确地识别了实性结节亚型中的6/10例，部分实性结节亚型中的7/11例，磨玻璃结节亚型中的0/5例，可见 PulmoSeek模型诊断准确度优于PET-CT检查 。
　　Figure 5. PulmoSeek performance in different nodule types and comparison to PET-CT.
　　本研究通过将深度学习以及传统机器学习算法相结合，成功开发出一个具有100个甲基化标志物的模型PulmoSeek，并对其进行了多维度验证：该模型在140个独立验证样本上的ROC-AUC为0.843，准确率为0.800。
　　结论
　　该模型在多个方面的评价中均表现出优异的综合诊断性能。
　　（1）在6-20mm大小的结节亚组（N=100）中，当发病率为10%时，模型灵敏度为100%，NPV（阴性预测值）为100%；
　　（2）在I期肺癌样本中（N=90），敏感性为97.1%；
　　（3）在不同的结节类型中模型表现同样稳定：当发病率为10%时，对于实性结节亚型（N = 78），灵敏度为100%，矫正后NPV为100%；对于部分实性结节亚型（N=75），灵敏度为94.7%，矫正后NPV为98.3%；对于纯磨玻璃结节（N=67），灵敏度为96.4%，矫正后NPV为98.9%。通过比较分析发现，在区分恶性肺结节与良性肺结节方面，PulmoSeek模型优于PET-CT及两种临床常用的肺结节评估模型（Mayo Clinic和Veterans Affairs）。
　　原文链接：https://www.jci.org/articles/view/145973