编辑推荐 | eBioMedicine诊断/生物标志物/转化组学及数字医疗/临床人工智能/计算医学合集

eBioMedicine近期推出科学大使计划，负责诊断/生物标志物/转化组学以及数字医疗/临床人工智能/计算医学这两个方向的高级编辑高文星博士推荐了eBioMedicine近期在这些领域发表的文章，供您阅读参考。我们也欢迎在这两个重要领域的新稿件投稿，包括原创研究或者综述文章。

诊断/生物标志物/转化组学

1

吉兰-巴雷综合征中血清神经丝轻链的动态变化及其预后价值

背景

神经丝轻链（NfL）是多种神经系统疾病中轴索损伤的生物标志物。本研究评估了吉兰-巴雷综合征（GBS）患者血清NfL水平的纵向变化，以及其与疾病严重程度、电生理亚型、治疗应答及预后的关系。。

方法

本研究纳入了参与一项双盲、随机、安慰剂对照试验的GBS患者，该试验旨在评估第二疗程静脉注射免疫球蛋白（IVIg）对临床结局的影响。在治疗开始前以及治疗后第1、2、4和12周，使用Simoa HD-X分析仪测定血清NfL水平。采用线性混合效应模型分析血清NfL的动态变化。在校正了改良Erasmus GBS预后评分（mEGOS）中包含的已知预后标志物后，通过逻辑回归分析确定血清NfL与临床预后的关联性及其预后价值。

结果

研究检测了281名患者的血清NfL水平。血清NfL的动态变化与疾病严重程度及电生理亚型相关。研究发现，第2周血清NfL较高与第4周无法独立行走之间显著相关（OR=1.74，95%CI=1.27-2.45），第4周血清NfL较高与第26周无法独立行走之间也显著相关（OR=2.79，95%CI=1.72-4.90）。基线血清NfL水平对行走能力的预后价值最显著，且独立于mEGOS中包含的其他预测因子。基线（p=0.0048）和第2周（p

解释

血清NfL水平与GBS的疾病严重程度、轴索受累以及不良预后相关。血清NfL水平可能作为监测GBS神经元损伤的生物标志物，以及评估治疗效果的中间终点指标。

2

多组学整合循环游离DNA基因组特征提高早期肺癌及术后微小残留病灶的诊断性能

背景

液体活检是一种具有良好前景的无创技术，应用于癌症筛查和微小残留病灶（MRD）检测，但其临床应用仍存在一些局限。本研究旨在开发一种基于液体活检的精准检测平台，用于肺癌患者的癌症筛查和MRD检测，且可适配临床应用。

方法

本研究采用改良的基于全基因组测序（WGS）的高性能多组学基础设施（High-performance Infrastructure For MultIomics，HIFI）方法，结合超共甲基化读取分析法和循环单分子扩增与重测序技术（cSMART2.0），用于肺癌筛查及术后MRD检测。

结果

针对肺癌早期筛查，研究采用支持向量机构建了肺癌评分模型。该模型在来自多中心的前瞻性验证数据集中，在高特异度（96.3%）下灵敏度为51.8%，AUC为0.912。该筛查模型在肺腺癌患者中的AUC为0.906，在实性结节队列中的表现优于其他临床模型。将HIFI模型应用于真实社会人群时，在中国人群中的阴性预测值（NPV）达到了99.92%。此外，通过整合WGS和cSMART2.0的检测结果，可显著提高MRD的检出率，灵敏度为73.7%，特异度为97.3%。

解释

HIFI方法在肺癌的诊断和术后监测方面具备良好的应用前景。

3

通过单细胞多组学揭示HIV免疫无应答者的免疫异质性

背景

免疫无应答者（INRs）是指接受了长期有效的抗逆转录病毒治疗（ART）后，仍无法实现完全免疫重建的HIV-1感染者。CD4+T细胞恢复不完全会增加机会性感染以及非艾滋病相关的发病和死亡风险。阐明这种免疫功能障碍的驱动机制，对于研发靶向治疗至关重要。

方法

对来自INRs、免疫应答者（IRs）和健康对照者（HCs）的外周血单核细胞（PBMCs）进行了单细胞RNA测序（scRNA-seq）和单细胞VDJ测序（scVDJ-seq）。开发了一种新型混合模型差异基因分析工具scGeneANOVA，用于检测差异表达的基因和通路。此外，还开发了病毒鉴定与载量检测分析（VILDA）工具，用于量化HIV-1转录本，并探究其与干扰素（IFN）通路激活的关系。

结果

分析表明，INRs表现出的IFN反应失调，与CD4+T细胞耗竭及免疫重建失败紧密相关。scGeneANOVA识别出了传统分析方法遗漏的关键基因和通路，而VILDA发现INRs体内HIV-1转录本水平较高，这可能导致IFN反应增强。这些发现支持了IFN信号传导可能在INR相关免疫功能障碍中发挥作用。

解释

本研究为INRs免疫重建失败的致病机制提供了新的见解，表明IFN信号传导可能参与了CD4+T细胞耗竭现象的产生。确定关键基因和通路，能够为改善该脆弱人群的免疫重建提供潜在的生物标志物和治疗靶点。

数字医疗/临床人工智能/计算医学

1

基于深度学习的放射学与病理学多模态融合，以预测HPV相关口咽鳞状细胞癌的结局

背景

本研究旨在预测人乳头瘤病毒（HPV）相关口咽鳞状细胞癌（OPSCC）的结局。OPSCC是头颈部癌症的一种亚型，临床预后较好且治疗应答效果更好。虽然此前已分别针对OPSCC开发了基于AI的病理学和放射学预后模型，但尚未将原发肿瘤（PT）和转移性颈部淋巴结（LN）同时纳入整合模型。

方法

本文探究了基于SwinTransformer的多模态、多区域数据融合框架（SMuRF）的AI方法的预后价值。SMuRF整合了PT和LN对应的CT影像特征，以及PT的全切片病理图像特征，作为HPV相关OPSCC患者的生存期和肿瘤分级的预测因子。SMuRF采用基于跨模态、跨区域窗口的多头自注意力机制，以捕捉不同肿瘤微环境和图像尺度下特征之间的交互作用 。

结果

在包含277名有匹配放射学和病理学影像的OPSCC患者队列中开发并验证了SMuRF模型。模型表现良好（无病生存期[DFS]预测C指数为0.81，肿瘤分级分类AUC为0.75），而且在控制了其他临床变量（如T分期、N分期、年龄、吸烟史、性别和治疗方式）的情况下，是DFS（HR=17，95%CI=4.9-58，p

解释

研究结果表明，多模态深度学习在准确分层OPSCC风险、指导个性化治疗策略以及优化现有治疗算法方面具有潜力。

2

基于 非抗体染色荧光 成像的虚拟多重免疫荧光染色在胃癌预后中的应用

背景

CODEX、MIBI等多重免疫荧光（mIF）染色技术在疾病诊断、生物学研究和药物研发等多个领域具有重要的临床价值。但这些技术往往存在耗时长、成本高等局限。

方法

本研究构建了一种基于多模态注意力机制的虚拟mIF染色（MAS）系统，该系统利用深度学习模型，从双模态 非抗体染色荧光 成像（即自体荧光[AF]成像和DAPI成像）中提取潜在的抗体相关特征。MAS系统通过自注意力与多重注意力学习机制，同步生成胃癌中多种生存相关生物标志物的mIF预测结果。

结果

基于94例胃癌患者的180张病理切片进行试验，结果表明MAS系统在胃癌和非胃癌组织中均表现出高效且稳定的性能。此外，7种胃癌相关生物标志物（包括CD3、CD20、FOXP3、PD1、CD8、CD163和PD-L1）虚拟mIF图像的预后预测准确度与标准mIF染色的结果相当。

解释

MAS系统能够快速生成可靠的多重染色结果，大幅降低了mIF的成本，优化了临床工作流程。

3

基于电子健康记录数据的Transformer深度学习模型在初级保健中诊断疑似肺癌

背景

肺癌确诊时往往已处于晚期，因此肺癌也是英国最常见的癌症死因。目前临床上使用的流行病学风险模型的阳性预测值（PPV）低于10%，且未考虑序列化电子健康记录（EHR）数据中所体现的时序关系。本研究旨在利用深度Transformer模型的机器学习技术，学习这些复杂的序列化诊疗路径，基于EHR数据构建一个肺癌早期检测模型。

方法

将全系统综合护理（Whole Systems Integrated Care，WSIC）数据集划分为70%的训练集和30%的验证集。在训练集中，构建了一项病例对照研究，其中病例组为肺癌患者，对照组为其他癌症、呼吸系统疾病或其他非癌症疾病的患者。基于1981年1月至2020年12月期间的3,303,992名患者数据，共发现11,847例肺癌病例。其中5,789例肺癌患者和7,240例对照组患者用于训练，并从总计368,906人的验证人群中随机选取50,000名患者进行验证。从诊断之日起往前追溯三年（不含最近一个月）的全科EHR数据进行了语义预处理，将超过30,000个术语映射为450个术语。采用逻辑回归分类器（Logistic Regression Classifier，LRC）作为分类头的ALBERT架构构建模型。采用k-means算法进行聚类分析。此外，还基于预处理数据单独构建了一个回归模型作为对照。

结果

基于确诊前3年至确诊前1个月期间的数据，模型的AUROC值为0.924（95%CI=0.921-0.927），PPV为3.6%（95%CI=3.5-3.7），敏感度为86.6%（95%CI=85.3-87.8）。对照回归模型的PPV为3.1%（95%CI=3.0-3.1），AUROC为0.887（95%CI=0.884-0.889）。通过聚类分析进行模型解读，识别出六组具有相似肺癌进展模式和临床检查模式的患者。

解释

捕捉癌症与非癌症诊断路径之间的时序关系，有助于构建更精确的模型。未来工作将注重外部数据集的验证，并将其整合到全科临床系统中进行评估。