Noninvasive detection of any-stage cancer using free glycosaminoglycans
Notice bibliographique
Résumé
Cancer mortality is exacerbated by late-stage diagnosis. Liquid biopsies based on genomic biomarkers can noninvasively diagnose cancers. However, validation studies have reported ~10% sensitivity to detect stage I cancer in a screening population and specific types, such as brain or genitourinary tumors, remain undetectable. We investigated urine and plasma free glycosaminoglycan profiles (GAGomes) as tumor metabolism biomarkers for multi-cancer early detection (MCED) of 14 cancer types using 2,064 samples from 1,260 cancer or healthy subjects. We observed widespread cancer-specific changes in biofluidic GAGomes recapitulated in an in vivo cancer progression model. We developed three machine learning models based on urine ( N urine = 220 cancer vs. 360 healthy) and plasma ( N plasma = 517 vs. 425) GAGomes that can detect any cancer with an area under the receiver operating characteristic curve of 0.83–0.93 with up to 62% sensitivity to stage I disease at 95% specificity. Undetected patients had a 39 to 50% lower risk of death. GAGomes predicted the putative cancer location with 89% accuracy. In a validation study on a screening-like population requiring ≥ 99% specificity, combined GAGomes predicted any cancer type with poor prognosis within 18 months with 43% sensitivity (21% in stage I; N = 121 and 49 cases). Overall, GAGomes appeared to be powerful MCED metabolic biomarkers, potentially doubling the number of stage I cancers detectable using genomic biomarkers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».