查看原文
其他

《柳叶刀》子刊 | 陈克终/杨帆团队开发基于液体活检的肺癌综合管理系统,提高肺癌筛查效率和肺结节鉴别准确性

maisuier 测序中国
2024-11-06

低剂量计算机断层扫描(LDCT)筛查在随机临床试验中显示出与肺癌死亡率降低显著相关,已被美国癌症协会推荐用于肺癌高危人群筛查。但其在临床实践中的广泛应用面临着依从性低、可及性差、辐射暴露等问题。因此,临床迫切需要开发一种新颖且高效的肺癌筛查及筛查后管理系统,该系统需要满足以下要求:(i)简便易行,确保高依从性;(ii)相对较高的灵敏度;(iii)有效减少接受LDCT筛查的个体数量;(iv)有效区分良性和恶性肺结节,减少不必要的侵入性诊断活检或手术。

液体活检因其无创性和便利性,有望解决当前肺癌筛查和管理系统的问题。生物标志物,如cfDNA、蛋白质、自身抗体和RNA等也显示出肺癌检测的潜力,但可能面临性能不理想或需要稳定样本处理等挑战。鉴于各种生物标志物的来源、产生和释放机制存在差异,整合来自液体活检的多组学数据有潜力提高癌症检测的性能。其次,为了进一步提高性能,将液体活检,特别是cfDNA甲基化与放射组学相结合,有可能提高诊断能力。

基于此,为了优化LDCT筛查途径并提高筛查中良恶性肺结节的鉴别准确性,北京大学人民医院陈克终教授、杨帆教授团队及合作者开发并验证了一个基于液体活检的综合肺癌筛查和管理系统——北京大学肺癌筛查和管理系统(PKU-LCSMS)该系统整合了基于血液多组学检测的肺癌筛查模型(结合cfDNA甲基化和蛋白质特征)和AI辅助肺结节诊断模型(整合了CT图像和cfDNA甲基化特征),旨在简化肺癌筛查和筛查后肺结节管理流程,提高肺结节良恶性鉴别准确性该研究以“Development and validation of an integrated system for lungcancer screening and post-screening pulmonary nodules management: a proof-of-concept study (ASCEND-LUNG)”为题发表在Lancet子刊eClinicalMedicine上。


01

研究设计


ASCEND - LUNG(基于液体活检的早期检测评估,NCT04817046)是一项前瞻性病例对照研究,旨在建立综合肺癌管理系统——PKU-LCSMS。该系统包括肺癌筛查模型和AI 辅助肺结节诊断模型,肺癌筛查模型用于识别需要进行LDCT的特定人群,AI辅助肺结节诊断模型用于对LDCT后的肺结节进行分类。两个模型是使用465名参与者(216 名癌症患者、47 名良性患者、202 名非癌症对照)的数据集进行开发(图 1)。在肺癌筛查模型和AI辅助肺结节诊断模型之间共有286例癌症病例重叠,其中在模型开发阶段有173例重叠的癌症病例,在模型验证阶段有113例癌症病例。

图1. PKU-LCSMS的工作流程

02

甲基化标志物选择


研究团队对来自训练队列的肺癌组织(n=35)和相邻组织(n=33)进行了靶向甲基化测序,共鉴定出1583个肺癌特异性差异甲基化区域(DMRs),其中654个为高甲基化区域,929个为低甲基化区域。图2C展示了1583个DMRs的甲基化水平,显示出肺癌和邻近组织之间不同的甲基化模式。肺癌特异性DMRs在基因间CpG岛中表现出更高比例的高甲基化(52.9%)和更高比例的低甲基化 DMRs(89.2%),并且大多数 DMRs与蛋白质编码有关。GO富集分析显示,高甲基化基因富集于与胚胎器官发育和骨骼系统形态发生相关的通路,肿瘤组织中其余低甲基化水平的基因则在与上皮迁移、细胞连接组织和紧密连接组装相关的通路中富集(图 2)。

图2.组织差异甲基化标志物选择

03

多组学肺癌筛查模型的构建与验证


对于肺癌筛查模型的开发,研究人员对前瞻性采集的血液样本进行多组学分析,包括cfDNA甲基化、蛋白质和突变,将202例癌症患者以1:1的比例随机分配到训练队列和验证队列中,以1:1的比例将202例非癌症对照与癌症病例相匹配。结果显示,基于cfDNA甲基化的肺癌筛查模型表现出最高的曲线下面积(AUC)为0.910,性能最优,其次是蛋白质模型(0.891),最后是突变模型(0.577)。此外,结合了cfDNA甲基化和蛋白质特征的最终筛查模型,AUC达到0.963。在独立验证队列中,多组学筛查模型在特异性为56.3%时,敏感性为99.2%,在独立验证队列中不同亚型的AUC无显著差异(图3)。

图3.肺癌筛查模型的性能

04

AI辅助肺结节诊断模型的构建与验证


进一步地,研究团队开发了基于胸部CT图像数据和cfDNA甲基化的肺结节诊断模型,以区分LDCT所识别的良性结节和恶性结节。该诊断模型在训练、验证和独立验证队列中区分良性结节和恶性结节的AUC分别为0.875、0.834和0.798,训练、验证和独立验证队列的准确率分别为77.6%、75.6%和 80.3%。

该模型通过双评分系统实现了良性和恶性肺结节的区分。研究团队根据CT衍生的诊断风险评分(DRS)模型的预测评分定义CT表现类似恶性结节的低、中和高风险。被分类为低风险和高风险的参与者将当前结果作为最终结论,其他中风险的则使用cfDNA甲基化进一步分类。基于影像数据和5个cfDNA DMRs,DRS-M模型将DRS模型中的中风险人群进一步定义为低、中、高风险。与良性患者相比,高风险人群在癌症中占大多数。与Mayo模型(48.0%)、VA模型(63.8%)和三位临床专家的判断(52.8% ~ 76.4%)相比,AI辅助的肺结节诊断模型及时诊断率(81.1%)更高,且漏诊率更低。此外,与Mayo模型(28.0%)、VA模型(48.0%)和三位临床专家的判断(20.1%-36.1%)相比,AI辅助肺结节诊断模型显示可能需要进行有创活检或手术的良性疾病的比例(24.0%)较低,减少了良性疾病的不必要侵入性操作。该模型将在线提供,医生可以上传CT和cfDNA甲基化数据来评估肺结节的风险水平,基于风险评估,推荐高风险肺结节进行手术或活检,中低风险肺结节进行随访(图4)。

4. AI辅助肺结节诊断模型的性能

05

组织多组学的探索性关联分析


对配对的组织样本进行DNA甲基化、DNA突变和mRNA表达分析,发现在有血浆ctDNA突变数据的患者中,28.7%的患者检测到ctDNA突变,ctDNA突变状态与1213个肺癌特异性DMRs显著相关。GO富集分析显示高甲基化和低甲基化基因在不同通路中富集。在75个癌组织样本和34个癌旁组织样本的mRNA测序数据中,发现1300个基因显著上调和697个基因显著下调。

对肺癌筛查模型和AI辅助肺结节诊断模型共享的四个共同DMRs进行深入分析。结果显示,这些DMRs在癌症组织和邻近组织中的甲基化水平存在差异,并且与相应基因的mRNA表达水平呈负相关。同时,这四个基因的mRNA表达与一些关键信号通路的表达显著相关,如notch、hedgehog和wnt-β-catenin等。此外,这些基因的mRNA表达与免疫细胞的富集之间存在显著相关性,表明其存在免疫激活特征。

06

结语


综上所述,该研究开发的PKU-LCSMS系统整合了肺癌筛查模型和AI辅助肺结节诊断模型,以血液cfDNA甲基化为核心,可提高肺癌筛查和管理的效率和准确性。其中,多组学肺癌筛查模型具有高灵敏度,可减少不必要的LDCT检查及相关辐射暴露;AI辅助肺结节诊断模型具有较高的特异性和灵敏度,可提高诊断准确性,减少误诊和不必要的侵入性干预。考虑到中国乃至全球肺癌和肺结节的巨大负担,PKU-LCSMS有可能准确识别需要临床干预的人群,并显著优化肺癌的检测、诊断和治疗。

此外,该研究样本量可能不足,仍需要一项长期随访研究来完善PKU-LCSMS系统在筛查和诊断场景中的临床使用建议。

论文原文:

Yichen Jin, Wei Mu, Yezhen Shi, et al. Development and Validation of an Integrated System for Lung Cancer Screening and Post-screening Pulmonary Nodules Management: A Proof-of-concept Study (ASCEND-LUNG), EClinicaMedicine, 2024. https://doi.org/10.1016/j.eclinm.2024.102769

·END·


热文推荐

太空组学和医学图谱SOMA

李昊等开发人工智能计算方法CGMega解析癌症基因模块

基于长读长测序高分辨率解析完整端粒序列

张勇/阮珏团队合作开发低DNA用量、无扩增的PacBio建库技术LILAP

快点亮"在看”吧

继续滑动看下一个
测序中国
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存