Differentiating Gastric Cancers from Acid Peptic Diseases through Integrative Targeted Proteomics and Machine Learning Approaches
Notice bibliographique
Résumé
Gastric cancers (GCs) are often diagnosed in advanced stages owing to nonspecific early symptoms resembling Acid Peptic Diseases (APDs). Despite recent efforts, a simple, liquid biopsy-based multiprotein panel prediagnostic assay capable of differentiating GCs from APDs is lacking. Mass spectrometry (MS)-based targeted proteomics methods, including Multiple Reaction Monitoring (MRM), are utilized as the method of choice to develop Laboratory Developed Tests (LDTs) that revolutionize GC early diagnosis and screening. In this study, a 22-min MS-MRM LDT was developed and tested to quantify a serum protein panel in 135 serum samples from treatment-naive cases of GCs, APDs, and healthy individuals. Notably, a novel Deep Neural Network (DNN)-based pattern recognition scoring architecture, integrated with a model explainability tool (SHAP), was developed to score and categorize GCs. The MRM-MS assay produced minimal carryover and matrix effects, with adequate limits of detection/quantification. Quantities of SAA1 and IGFBP2, as determined through ELISA, demonstrated similar sensitivity compared to the LDT. Importantly, the DNN-based scoring architecture efficiently differentiated GCs from the rest of the samples (AUROC = 0.95), with average precision marking >0.90 and minimal bias in protein expression affecting model performance. This LDT can serve as a prediagnostic screening method to distinguish GCs from APDs, guiding clinicians and patients in proceeding with a confirmatory diagnosis.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».