Distinguishing Benign from Malignant Pancreatic and Periampullary Lesions Using Combined Use of 1H-NMR Spectroscopy and Gas Chromatography–Mass Spectrometry
Notice bibliographique
Résumé
Previous work demonstrated that serum metabolomics can distinguish pancreatic cancer from benign disease. However, in the clinic, non-pancreatic periampullary cancers are difficult to distinguish from pancreatic cancer. Therefore, to test the clinical utility of this technology, we determined whether any pancreatic and periampullary adenocarcinoma could be distinguished from benign masses and biliary strictures. Sera from 157 patients with malignant and benign pancreatic and periampullary lesions were analyzed using proton nuclear magnetic resonance (1H-NMR) spectroscopy and gas chromatography–mass spectrometry (GC-MS). Multivariate projection modeling using SIMCA-P+ software in training datasets (n = 80) was used to generate the best models to differentiate disease states. Models were validated in test datasets (n = 77). The final 1H-NMR spectroscopy and GC-MS metabolomic profiles consisted of 14 and 18 compounds, with AUROC values of 0.74 (SE 0.06) and 0.62 (SE 0.08), respectively. The combination of 1H-NMR spectroscopy and GC-MS metabolites did not substantially improve this performance (AUROC 0.66, SE 0.08). In patients with adenocarcinoma, glutamate levels were consistently higher, while glutamine and alanine levels were consistently lower. Pancreatic and periampullary adenocarcinomas can be distinguished from benign lesions. To further enhance the discriminatory power of metabolomics in this setting, it will be important to identify the metabolomic changes that characterize each of the subclasses of this heterogeneous group of cancers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».