子宫内膜癌发病率持续上升，传统筛查（阴道超声、血清HE4/CA125）和诊断（活检/宫腔镜）存在有创性高、早期检出率低等局限。本研究首次整合血浆、宫颈分泌物和子宫腔分泌物三来源体液，利用MALDI-TOF质谱高通量获取代谢组和肽组指纹图谱，结合临床表型（年龄、HE4、CA125、超声等），通过机器学习（XGBoost、随机森林等） 构建多层级风险分层平台——2M-EC。在531例发现队列和204例独立外部验证队列中，微创筛查模型（宫颈+血浆+临床数据） 敏感性达95.65%，诊断模型（加入子宫分泌物） AUC 0.94，并初步实现p53异常型和NSMP型高危亚型检测。该平台检测流程仅需1小时，已部署为免费Web工具（Streamlit），为子宫内膜癌的精准分层和资源有限地区提供了可及性解决方案。 今天给大家解读一篇5月发表在《Cell Reports Medicine》上的题目为“Artificial intelligence-driven integration of multi-biofluid omics and clinical phenotype enables stratification of endometrial cancer.”的文章。该研究针对子宫内膜癌发病率上升但现有诊断缺乏精确性和可扩展性的问题，设计了一个AI平台。通过机器学习识别EC特异性组学特征，并将这些特征与临床因素融合，实现多级风险分层。在外部验证中，平台表现出高灵敏度和良好的区分能力，且识别出的组学特征具有生物学合理性。 （ 请持续关注我们，每天为您解读最新见刊的文献!） 想薅生信资料羊毛？直接在对话框回复 “资料”，免费领取干货大礼包！包括数据集、绘图代码、图表复现、思路总结、参考文献…… 0代码！鼠标点点点即可轻松完成5-10分生信SCI全文复现！
不想做实验，没数据，还想要快速发表文章，没问题的！公共数据库就是我们的数据宝藏！没思路不用担心，作为专业的生信团队，我们很乐意为你们效劳，提供研究路线设计和数据挖掘分析，扫码联系我们吧！
团队成员合影（位于上海陆家嘴中心，可随时预约参观）
题目：《 人工智能驱动的多生物流体组学与临床表型整合，实现了子宫内膜癌的分层 》 Artificial intelligence-driven integration of multi-biofluid omics and clinical phenotype enables stratification of endometrial cancer
发表期刊：Cell Reports Medicine
影响因子：10.6
研究背景 ：
子宫内膜癌（EC）的发病率正在上升，然而当前的诊断方法缺乏精确性和可扩展性，亟需更精准、可推广的筛查与分层工具。 CNSknowall 平台 Pubmed+AI 快速提炼全文要点 研究思路：
收集来自两个独立临床中心队列的1,179份样本（血浆、宫颈/子宫分泌物）及相应临床数据（年龄、超声等）。 构建AI框架，将组学特征与临床因素融合，实现多级风险分层。 在外部验证队列中评估性能，并开发网络工具促进临床转化。 研究亮点：
外部验证队列中，平台对微创EC筛查的灵敏度达到95.65%，EC确认的曲线下面积（AUC）值为0.94，表现出均衡性能。 利用两个独立临床中心队列（531名参与者用于模型开发，204名用于外部验证），收集了1,179份样本及对应临床数据。 研究结果：
在外部验证队列中，平台对微创EC筛查的灵敏度为95.65%，EC确认的AUC值为0.94。 研究总结：
该平台展示了多组学与AI在精准肿瘤学中的潜力，通过整合多生物流体组学和临床表型，有效实现了子宫内膜癌的分层。研究开发的网络工具有助于临床转化，为未来EC的精准诊断与风险分层提供了新策略。 结果译文：
2022年11月至2024年1月，我们招募了一个包含531名子宫内膜疾病患者的队列，包括273例癌症和258例良性病变。纳入标准详见STAR Methods部分。收集了临床表型数据，包括患者人口学特征、病史、超声影像以及肿瘤生物标志物检测结果（HE4和CA125水平）（数据S1）。同时收集了多来源体液，包括原位子宫腔分泌物、宫颈分泌物和血浆，以全面表征患者的生理状态分子特征。 在机器学习之前，我们实施了一个分层队列设计，包括建模队列（M，n=436）和测试队列（TS，n=95），图1左。建模队列（n=436）划分为三个子队列：M1、M2和M3。M1队列包含148例EC和166例对照，患者提供宫颈分泌物或血浆样本，作为微创EC筛查的基础。M2队列包含219例EC和217例对照，患者提供宫颈分泌物、血浆或子宫腔分泌物样本，用于开发综合EC诊断方法。M3队列包含77例EC，患者有分子亚型信息并提供子宫腔分泌物样本，用于高风险EC亚型检测。在建模队列中，80%的样本随机分配用于模型训练，20%用于内部验证，采用5折交叉验证方法。模型的泛化能力进一步通过保留的测试队列进行评估：TS1（54例癌症，41例对照），患者提供宫颈分泌物和血浆样本；TS2（30例癌症，15例对照），患者提供宫颈分泌物、血浆和子宫腔分泌物样本。 子宫腔分泌物和宫颈分泌物的代谢特征，以及血浆的代谢和肽组特征，通过MALDI-TOF MS获取，以创建多组学谱。使用六名EC患者混合血浆作为质量控制样本评估仪器稳定性。该样本在一个月内重复分析以检查MALDI-TOF MS测量的稳定性。QC样本MALDI-TOF MS谱图之间的Pearson相关系数均超过0.90，确认了在整个谱图采集过程中仪器性能的一致性（图S1）。 获得的MS谱图通过分箱处理。通过机器学习从MS分箱中筛选用于EC风险评估的MS特征，然后转换为特征向量，用于基于宫颈分泌物、血浆或子宫腔分泌物开发EC风险评估的MS模型。基于临床专业知识和数据驱动分析，我们确定了关键临床因素，包括年龄、HE4水平、绝经状态、激素替代治疗史和妇科超声发现，这些也被转换为因子向量并用于开发EC风险评估的临床ML模型。然后，我们部署了一种分析物-算法匹配策略来优化计算效率。此外，采用决策级晚期融合策略开发了三个任务特异性模型：EC-筛查（利用宫颈分泌物、血浆和临床数据）、EC-诊断（增加子宫腔分泌物）和EC-亚型分型（基于子宫腔分泌物）（图1，右）。最后，我们开发了一个基于Streamlit的网络工具，以促进模型的临床转化。 为了进行子宫内膜癌（EC）风险评估，我们对临床因素进行了多变量分析，以筛选出与EC进展最相关的因素（图2）。将连续数值数据（年龄、子宫内膜厚度、HE4水平及CA125水平）进行对数转换，并标准化为Z值，随后在EC患者组与对照组之间进行无监督聚类分析。聚类热图显示，左侧有一组对照组患者呈现明显的聚类，其血浆HE4表达显著降低，突显了HE4作为EC鉴别生物标志物的作用（图2A）。与HE4相比，CA125在区分EC与对照组方面的显著性较低。在绝经患者中，两种标志物在EC组与对照组之间均表现出显著差异；而在非绝经患者中，CA125的差异则不那么明显（图S2）。 基于影像组学的超声检查通过评估子宫内膜厚度、形态学异常以及肿瘤浸润深度，在EC的早期筛查和分期中也起着至关重要的作用。图2A显示，癌症状态与宫腔占位以及宫腔占位伴丰富血流信号呈正相关，尤其是在左侧聚类的独特对照组子集中更为明显，这强调了将超声影像学发现纳入EC建模的统计学依据。 临床上，患者的基础因素，如年龄、绝经状态及激素替代治疗，也被认为是与EC相关的危险因素。如热图所示，许多癌症患者与绝经状态相对应（图2A）。在绝经期女性中观察到了更高的EC发病率（图2B）。按年龄分层分析发现，在年长个体中，EC病例的发生率高于对照组（图2B）。这证实了EC组中绝经患者随年龄增长而比例更高，这与公认的EC临床流行病学模式一致。此外，HRT经历构成了EC发病的独立危险因素。与对照组相比，较年轻的EC患者显示出更高的HRT使用率，表明接受激素治疗的年轻女性罹患EC的风险更高（图2B）。关于患者的健康状况，糖尿病和高血压在热图中未显示出显著的分布趋势，因此被排除在模型构建之外。 在提炼临床因素后，年龄、HRT经历、绝经状态、HE4水平以及超声检查结果被纳入作为后续建模的关键临床因素。使用M2子集进行模型训练，采用5折交叉验证，而TS1队列则用于模型评估。使用极限梯度提升算法时，临床模型在TS1上的最佳表现显示准确率为78.57%，敏感度为79.59%，特异度为77.55%（图S3）。 从531例患者中，我们获取了跨越多生物体液的1,160份多组学MS谱图（图S4，数据S2），为队列的生理状态提供了全面的分子表征。血浆的样本覆盖率最高，而宫颈和子宫分泌物的谱图存在不同程度的缺失，这主要是由于临床采样实践造成的。特别是子宫腔分泌物，与血浆和宫颈分泌物相比更难收集。这凸显了开发能够兼容不同生物体液来源的多模型方法的必要性，以更好地适应各种临床场景。 利用获取的多组学MS谱图，我们基于Osipov等人报道的框架探索了各种分析物-算法组合（图3A）。我们从多组学数据集准备开始，随后将原始MALDI-TOF质谱转换为等宽区间分箱。与需要大量峰对齐计算的传统峰提取方法不同，分箱方法对每个分箱内所有数据点的强度求和以获得MS特征。这种方法更适合处理大型数据集。光谱处理后，系统比较了17种机器学习算法与多来源分析物的组合。使用准确率和F1分数进行评估。根据选定的算法，通过蒙特卡洛模拟进一步优化了MS特征面板。采用准确率、敏感度和特异度进行评估。基于网格搜索，我们发现基于决策树的集成方法优于其他ML算法。使用血浆特征和临床指标的XGBoost显示出最高的指标。基于这些结果，我们实施了四种基于决策树的集成算法：随机森林、XGBoost、轻量梯度提升机和类别提升机来训练后续的预测模型。 本研究采用的17种ML算法经过精心选择和组织，以反映特征选择策略和模型架构上的逐步递进。该框架从稳健的基线模型开始，由于其固有的抗过拟合能力，这些模型提供了稳定的性能基准。在此基础上，引入了具有嵌入式特征选择的模型，利用L1正则化在训练期间执行内在特征选择。进一步推进该方法，应用了基于包装器的模型，通过迭代消除最不重要的特征来细化特征子集。最后，该框架以两阶段元集成模型告终，其中特征选择与分类明确解耦。在这些模型中，元学习器（逻辑回归）整合了来自不同基分类器的预测，以捕获线性和非线性关系。这种递进系统地概括了特征工程从基础稳定性到高级全面性的演变。此外，所选算法利用互补的特征选择机制（基于权重、基于频率和基于排序）来提供对特征重要性的多方面见解，同时共同涵盖了核心ML范式，包括基于树的方法、支持向量机、线性模型、集成技术和基本神经网络变体。由于训练数据量不足，未选择深度学习等较新的架构。 选择分析物和算法后，我们首先利用M1和TS1队列开发了用于快速EC筛查的模型。在531例患者中，有409例收集了血浆或宫颈分泌物但未收集子宫腔分泌物，其中包括361例采集了血浆（176例癌症，185例对照）和192例采集了宫颈分泌物（101例癌症，91例对照）（图4A）。Venn分析显示，有144例患者同时提供了血浆和宫颈分泌物样本（图4B）。从中随机选取95例构成TS1队列用于模型测试。除这95例外，其余314例患者构成M1队列用于模型训练。 使用M1队列，正交偏最小二乘判别分析显示，与宫颈谱图相比，血浆代谢物和肽段谱图在EC患者与对照之间的区分度更高（图4C和4D）。使用随机森林进行的1,000次迭代蒙特卡洛交叉验证识别出13个宫颈MS特征和49个血浆MS特征（图4E和4F，数据S3），这些特征被优先作为后续建模的组学特征向量。 在M1上使用5折交叉验证，基于四种决策树集成算法（RF、XGB、LightGBM和CatBoost）的宫颈MS模型在所有评估指标上表现均衡但中等。相比之下，基于CatBoost的血浆MS模型表现出良好的预测能力，达到79.31%的准确率、75.86%的特异度和82.76%的敏感度（图S5）。 尽管单独的MS模型显示出预测潜力，但作为独立的癌症筛查工具其性能缺乏足够的敏感度。为此，我们将临床向量与MS特征融合，使用四种ML算法开发了融合模型（MS加临床向量），图S6。XGB在M1上的5折交叉验证中综合评估敏感度、准确率和特异度时表现最佳，因此被选用于后续融合模型的开发。宫颈和血浆融合模型在TS1队列中的AUC-ROC值分别为0.85和0.78（图4G）。随后，使用“OR”逻辑（任一模型结果为阳性即分类为癌症阳性）将宫颈和血浆融合模型组合成EC-筛查模型（图4H）。在TS1队列（n=95）中，EC-筛查模型展示了98.15%的敏感度和82.11%的准确率。这种高灵敏度保证了EC-筛查模型作为使用易获得的临床和MS分析数据进行EC风险筛查的实用工具。 为了对EC-筛查模型进行基准测试，我们在排除TS1中HE4和CA125值缺失的样本后，使用相同的测试集（54例癌症vs.30例对照）将其预测性能与ROMA进行比较。ROMA是一种FDA批准的基于HE4、CA125和绝经状态的卵巢癌风险分层工具，也显示出在EC风险分层中的潜力。与ROMA相比，EC-筛查模型实现了更高的敏感度、特异度和准确率（图4I）。按绝经状态分层后，EC-筛查模型在非绝经患者中的表现远优于ROMA，敏感度96.15%、准确率86.67%、特异度73.68%，而ROMA的所有值均低于53%。在绝经患者中，EC-筛查模型表现出比ROMA更好的敏感度和准确率，但特异度较低。这些结果表明，EC-筛查模型特别适用于非绝经女性的EC筛查，可能解决当前绝经前女性EC筛查的局限性。 瀑布图使用SHAP值可视化了EC-筛查模型的决策过程（图4J-4M）。建模特征按其贡献排序，彩色箭头表示每个特征贡献的方向和大小。向右的红色箭头代表正向贡献，支持EC结果，而向左的蓝色箭头代表负向贡献，支持对照结果。在血浆融合模型中，EC样本571显示一致的决策，HE4提供了最强的正确贡献（图4J）。对于对照样本611，尽管最终预测正确，但主要HE4贡献是错误的，其他分子特征导致了正确分类（图4K）。在EC样本722中（图4L），宫颈代谢物CM628和升高的HE4水平是正确EC预测的主要驱动因素。相反，在对照样本527中（图4M），宫颈代谢物CM628和CM4160在阴性分类中占主导地位。年龄和HE4水平支持对照结果，而子宫内膜厚度和子宫内膜异质性对EC结果贡献较弱。这些结果说明了临床信息与MS谱图相关联用于EC诊断的重要性。 为了鉴定EC筛查的MS特征，我们选择了对关键MALDI-TOF MS特征显示强信号的生物体液样本，进行LC-MS/MS分析。我们采用了两种蛋白质组学预处理策略来鉴定血浆蛋白：基于SDS-PAGE的分离（10-25 kDa）结合典型自下而上蛋白质组学，以及直接10 kDa过滤血浆肽段后进行自上而下分析（图5A）。分子量范围的选择基于MALDI-TOF MS特征的m/z值。通过将MALDI-TOF MS特征与蛋白质组学鉴定结果匹配（图5B，数据S4和S5），我们鉴定出14种蛋白质对应于18个血浆MALDI-TOF MS特征，包括纤维蛋白原α链、血清淀粉样蛋白P组分、血清淀粉样蛋白A-4蛋白、视黄酸受体应答蛋白2、泛素结合酶E2变体2和富含亮氨酸的α-2-糖蛋白（表S1）。FGA是细胞外基质蛋白纤维蛋白原的组分。我们的发现与先前报道各种肿瘤中血浆纤维蛋白原水平（尤其是FGA）升高的研究一致。在卵巢癌中也报道了磷酸化FGA升高。此外，Chen等人将FGA鉴定为肝细胞癌进展和转移的编码和非编码驱动因子。我们假设EC细胞可能合成FGA并将其释放到外周血中。近期临床研究表明，高血浆纤维蛋白原水平与多种癌症较差的无病生存期相关。尽管APCS不是广泛研究的EC生物标志物，但另一种相关蛋白血清淀粉样蛋白A显示出作为EC生物标志物的潜力。Omer等人报道EC患者血清SAA水平显著高于对照。RA已被证明可诱导子宫内膜癌细胞分化、抑制增殖并促进凋亡。研究表明RA可诱导子宫内膜腺癌细胞分化，这一过程涉及磷脂酰肌醇3-激酶和表皮生长因子受体信号通路。此外，非诺贝特（一种过氧化物酶体增殖物激活受体α激动剂）可抑制增殖并诱导凋亡，而RA增强了这一效应。然而，RA诱导EC细胞凋亡和生长抑制的确切分子机制仍有待探索。研究表明UBE2家族在EC预后中发挥重要作用。具体而言，UBE2C表达是不良总生存期的独立预测因子。LRG也被报道为子宫内膜异位症的有用诊断生物标志物。 我们还分析了宫颈和血浆代谢物特征。通过将MALDI-TOF MS特征与基于LC-MS/MS的代谢组学结果（数据S6）匹配，鉴定出44种宫颈代谢物和114种血浆代谢物（数据S7）。对所鉴定宫颈和血浆代谢物的KEGG通路富集分析突出了与EC具有潜在生物学和诊断相关性的功能通路（图5C和5D，数据S8）。宫颈代谢物中富集的代谢通路主要与脂肪酸氧化相关。脂质代谢在癌症中已得到充分证实，因为癌细胞需要脂质提供能量、维持生存和生长。脂质上调也与癌症进展和转移相关。相比之下，血浆代谢物中富集的是氨基酸代谢，这与宫颈代谢物中的发现不同。据推测，癌细胞利用氨基酸进行增殖并维持氧化还原稳态。改变的氨基酸通路包括甘氨酸、丝氨酸、苏氨酸、精氨酸、脯氨酸、组氨酸和色氨酸的代谢。脯氨酸有助于保护细胞免受氧化应激，癌细胞可利用这一点促进生长。色氨酸代谢也已知在癌症中升高，有助于免疫抑制。血浆样本的代谢组学分析与我们之前在EC组织样本中的发现一致，进一步验证了使用血浆代谢物进行非侵入性EC筛查的可行性。 5.利用子宫分泌物进行子宫内膜癌（EC）诊断与分型
EC-筛查模型对EC筛查表现出高灵敏度，但受限于特异度。为了提高检测准确性，我们进一步通过将临床因素与子宫分泌物代谢组学特征融合，建立了子宫融合模型。我们收集了246例患者（147例癌症，99例对照）的子宫分泌物，用于MALDI-TOF MS分析代谢谱（图6A）。作为来自子宫内膜腔的原位样本，子宫分泌物提供了来自癌细胞的丰富分子信息。对于宫分泌物MS数据的OPLS-DA分析有效区分了EC患者与对照（图S7A）。将246例患者分为建模集201例和测试集45例（TS2）（图6B）。TS2队列的45例患者同时采集了血浆、宫颈分泌物和子宫分泌物。建模集的201例患者与M1队列合并形成M2队列（n=436），该队列采集了血浆、宫颈分泌物或子宫分泌物。通过在M2队列上使用随机森林进行蒙特卡洛交叉验证，鉴定出一组23个子宫分泌物MS特征来区分EC与对照（图6C和数据S3）。将23个MS特征与临床因素进行机器学习训练，建立了子宫融合模型。在M2队列的5折交叉验证中，子宫融合模型在所有指标上均一致表现出预测性能（图S6C）。在TS2队列（n=45）上，子宫融合模型达到了0.88的AUC-ROC（图S7B）。接下来，我们通过采用多数投票逻辑整合宫颈、血浆和子宫融合模型，构建了综合的EC-诊断模型（图6D）。在共享所有体液数据的TS2队列（n=45）上验证，EC-诊断模型实现了93.3%的准确率、90.0%的敏感度和100%的特异度（图6E）。与强调微创EC筛查敏感度的EC-筛查模型相比，EC-诊断模型通过纳入更广泛的因素实现了更高的精确度，以进行更准确的EC确认。 采用与鉴定关键宫颈和血浆代谢特征类似的策略，我们鉴定了关键的子宫代谢特征，并将其注释为93种代谢物（数据S7）。这些代谢物的KEGG通路富集分析揭示了半乳糖、果糖/甘露糖以及氨基酸代谢的改变，反映了EC中为能量生产和增殖而进行的代谢重编程。我们之前对EC患者子宫腔分泌物的代谢组学分析也发现了嘌呤、酪氨酸和苯丙氨酸代谢等关键代谢通路的改变。此外，研究表明，高葡萄糖可促进糖酵解和胆固醇合成，同时抑制EC中的自噬-溶酶体途径，这一过程受雌激素相关受体α的调节。该机制是EC合并糖尿病患者中葡萄糖和胆固醇代谢紊乱的基础。 激素相关通路以及PI3K/AKT相关的脂质代谢进一步突显了激素驱动的EC发病机制。雄激素和雌激素代谢在EC的发生和进展中起关键作用。在绝经前女性中，高雄激素血症导致孕酮缺乏；而在绝经后女性中，芳香化作用促进雌激素合成增加。雄激素在EC中发挥复杂作用，受其代谢和受体表达的共同调节。绝经后肾上腺雄激素主要作为雌激素合成的前体，导致EC风险增加。PI3K/AKT/mTOR通路是子宫内膜癌变的核心驱动因素，也是一个有前景的治疗靶点。该通路的改变在不同组织学亚型中都很常见，其中磷脂酰肌醇-4,5-二磷酸3-激酶催化亚基α的特异性突变以及PTEN的缺失可作为靶向治疗的预测生物标志物。此外，PI3K-AKT通路失调与p53改变的同时发生定义了一个预后显著更差的分子亚组，将该通路整合到了EC的分子分型中。 根据TCGA系统，EC分为四种分子亚型：POLE突变型、MMRd型、NSMP型和p53abn型。其中，NSMP和p53abn亚型因其侵袭性肿瘤行为和不良预后，对EC患者构成高风险。在提供子宫分泌物样本的147例EC患者中，有77例已知分子亚型信息。我们建立了两个分类器，利用子宫腔分泌物快速检测NSMP或p53abn EC亚型。通过OPLS-DA，子宫分泌物的MS谱图有效区分了p53abn与非p53abn亚型，以及NSMP与非NSMP亚型。鉴于具有分子亚型信息的样本数量有限，我们采用交叉验证来评估使用MALDI-TOF MS进行子宫分泌物代谢谱分析进行EC分型的潜力。通过随机森林进行蒙特卡洛模拟，鉴定出10个p53abn的关键MS特征和52个NSMP的关键MS特征。基于这些特征，使用XGBoost算法开发了p53abn和NSMP的高风险亚型检测模型。在5折交叉验证中，p53abn模型达到了77.8%的准确率，NSMP模型达到了91.7%的准确率。这两个基于子宫代谢特征的分类器能够快速检测NSMP和p53abn EC亚型，共同构成了高风险亚型分型模型，为治疗决策提供了有效信息。 对p53abn亚型特异性子宫代谢特征的代谢物注释鉴定出14种代谢物。KEGG富集通路主要涉及细胞周期调控、DNA修复和代谢重编程，特别是一碳代谢和脂质代谢。在EC中，p53是一个主调节因子。野生型p53调控G1/S和G2/M细胞周期检查点，而其突变则定义了侵袭性的p53abn分子亚型，该亚型尽管仅占约15%的病例，却导致了大多数EC相关死亡。在DNA修复方面，p53abn EC通常表现出高度的基因组不稳定性和同源重组缺陷，这创造了类似于浆液性卵巢癌的治疗机会，包括对PARP抑制剂的潜在敏感性。在代谢方面，p53可以影响一碳代谢和脂质代谢中的关键通路，这些通路支持癌细胞的迁移、转移和生存，为其在EC发病机制中的复杂作用增添了另一个维度。 为了进一步展示EC风险分层模型的临床潜力，我们从一个不同的临床中心（上海同济大学附属第十人民医院）招募了204名外部验证参与者（80例EC，124例对照），这与用于模型开发的原始队列不同。外部验证所需样本量基于Riley等人发表的方法进行评估，建议至少196名参与者，包括79例EC患者。从204名参与者中，我们收集了204份血浆样本和88份配对的宫颈/子宫分泌物样本（含23例EC病例）（图7A）。外部验证队列临床数据的热图可视化显示，在EC患者中，绝经后状态、EH、UCO1、UCO2和UCF的发生率更高。EC患者的年龄和HE4水平也更高。这些临床特征与原始队列一致，进一步强调了这些临床指标与EC发病率之间的相关性。 遵循与原始队列相同的标准化工作流程，我们进行了样品前处理、MALDI-TOF数据采集和处理。使用收集的外部验证数据集，我们首先检查了整合多生物体液多组学数据和临床特征（包括年龄、HRT、绝经状态、HE4和超声检查结果）的融合模型。采用来自原始队列的预训练模型和拟合标度器在外部验证队列上生成预测结果。结果显示，基于血浆、宫颈分泌物和子宫分泌物样本的预测准确率分别为76.47%、81.82%和76.14%（图7C和数据S10），AUC值分别为0.81、0.82和0.89（图7D），与原始队列中获得的结果相似（原始队列中血浆、宫颈分泌物和子宫的AUC值分别为0.78、0.85和0.88）。对于基于配对血浆和宫颈分泌物病例的EC-筛查模型，敏感度为95.65%，特异度为61.54%（图7E），AUC值为0.83（图7F）；而在原始队列中分别为98.15%和60.98%。相似的敏感度和特异度证实了EC-筛查模型在多中心队列中表现出稳定的性能。对于使用配对血浆、宫颈和子宫分泌物病例的EC-诊断模型，敏感度为91.30%，特异度为83.08%（图7E），AUC值为0.94（图7G）；而在原始队列中分别为90%和100%，也证明了EC-诊断模型在多中心队列中的稳健性能。 7.患者中心的2M-EC平台用于子宫内膜癌（EC）风险分层
基于上述模型，我们通过整合临床风险因素、临床实验室检测结果以及经MALDI-TOF MS分析的多生物体液组学来源的分子特征，开发了2M-EC平台。该平台的EC-筛查模型利用临床风险因素、实验室检测结果以及血浆和宫颈分泌物样本，优先考虑高灵敏度进行初始EC筛查，最大限度地减少高危人群的漏诊，并提高对疑似EC的可预测性。在此基础上，EC-诊断模型整合了临床风险因素、实验室检测结果以及血浆、宫颈和子宫分泌物样本，在癌症确认的灵敏度、特异度和准确度上实现了平衡的性能，减少了假阳性和过度诊断。对于高风险分子分层，EC高风险亚型模型使用子宫分泌物样本，检测p53abn和NSMP亚型，以在基于测序的分型之前指导个性化治疗方案，缩短精准医学实施的时间线。 为了临床转化，我们将2M-EC预测平台实现为一个基于Streamlit的网页工具。该平台允许用户输入多种类型的信息，包括年龄、HRT、绝经状态、HE4水平、超声检查结果以及来自多生物体液的分子特征，提供可解释的风险预测结果。提供了从原始MALDI-TOF MS谱图中提取分子特征以输入网页工具的代码包。该平台还通过交互式仪表板可视化特征贡献，突出个体特异性因素，促进肿瘤学精准诊断和治疗的发展。2M-EC平台为资源有限和个性化医疗环境提供了可扩展的决策支持。 更多结果 和补充图 表：doi： 10.1016/j.xcrm.2026.102805
长按二维码关注我们，用最短的时间和最高的效率学习更多生信思路! 扫描上方二维码或 登录平台官网后 添加CNSknowall客服微信咨询！官网地址： https://cnsknowall.com
CNSknowall： 24年最新问世的遥遥领先的颠覆性 科研数据（0代码生信+统计学）分析平台，同时含有 机制图模块（原创3000多素材和机制图模板）+AI一键生成高质量比国自然标书初稿+汉化版Pubmed融合Deepseek高效筛选目标文献同时一键提炼全文核心创新点+SCI文献例句/语料检索模块+全文翻译+文献求助+图片查重+期刊查询+OPenAI官方GPT接口 ，＞500 款CNS级别图表皆可 一秒内一键 出图 ，登录即秒变数据分析大神，体验 前所未有 的便捷数据分析之旅，开启科研天骄之路！
可向下滑动发掘更多科研秘籍！
夜雨聆风
