Plasma Cell-free DNA Methylomes for Hepatocellular Carcinoma Detection and Monitoring After Liver Resection or Transplantation
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the utility of cfMeDIP-seq for detecting hepatocellular carcinoma (HCC) and monitoring recurrence following curative-intent liver surgery. SUMMARY BACKGROUND DATA: HCC remains a leading cause of cancer mortality, with high recurrence rates after surgery. Current surveillance depends on imaging and tumor-informed genomics, both limited by sensitivity and tissue access. A tumor-agnostic, noninvasive cfDNA-based method could significantly improve clinical management. METHODS: 236 cfDNA samples were collected at surgery (b-HCC, n=89) and follow-up (f-HCC, n=112) from 89 HCC patients undergoing liver transplantation (n=57) or resection (n=32), plus 35 healthy controls (CTL). cfMeDIP-seq was performed followed by machine learning to: (i) develop an HCC-specific classifier in a discovery cohort (52 b-HCC vs. 35 CTL); (ii) test the classifier in a validation cohort of 37 patients; and (iii) assign an HCC methylation score (HMS) reflecting the probability of a sample containing HCC-derived cfDNA. Relationships between HMS and clinical variables were assessed. RESULTS: The classifier identified HCC with 97% sensitivity and 99% specificity in the discovery cohort and 97% accuracy in the validation cohort. Baseline HMS >0.9 was associated with higher recurrence risk (HR 3.43, 95% CI 1.30-9.06, P=0.013). HMS decreased by 3-44% (median 17%) within 13 weeks post-surgery. HMS trajectories diverged for recurrent and non-recurrent patients, with HMS rise indicating clinical recurrence. HMS was independent of other clinicopathologic variables. CONCLUSION: Tumor-agnostic cfDNA methylomes accurately detect HCC and predict recurrence after liver resection or transplantation. This approach may have important implications for HCC diagnosis, treatment, and monitoring.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».