美國MD安德森癌癥中心Hanash等開發(fā)的一種基于血液的代謝物面板證明了其獨立的預測能力，可以作為卵巢惡性腫瘤風險算法（ROMA）的補充，來區(qū)分早期卵巢癌和良性疾病，以更好地為臨床決策提供信息。（Clin Cancer Res. 2022年9月21日在線版 DOI: 10.1158/1078-0432.CCR-22-1113）

該研究的目的是評估循環(huán)代謝物對改善ROMA在預測卵巢囊腫女性罹患卵巢癌風險中的貢獻。

研究對101例漿液性和非漿液性卵巢癌患者和134例良性盆腔腫塊（BPM）患者的初始血清進行了代謝組學分析。利用深度學習模型，開發(fā)了一個由7種癌癥相關(guān)代謝物組成的面板，用于區(qū)分早期卵巢癌和BPM。在118例卵巢癌病例和56例BPM受試者的獨立血清中評估代謝物面板的性能。進一步評估了該面板為改善ROMA的性能所起的作用。

在獨立試驗集中，訓練集開發(fā)的7種標志物代謝物面板（7MetP）對早期卵巢癌的AUC為0.86（95%CI 0.76~0.95）。在試驗集中，7MetP+ROMA模型對早期卵巢癌的AUC為0.93（95%CI 0.84~0.98），與單獨的ROMA模型相比有所改善（AUC=0.91，95%CI 0.84~0.98；似然比檢驗P=0.03）。在整個樣本集中，與單獨的ROMA相比，聯(lián)合7MetP+ROMA模型對早期卵巢癌產(chǎn)生了較高的陽性預測值（0.52 vs. 0.68；單側(cè)P<0.001），特異性也有提高（0.78 vs. 0.89；單側(cè)P<0.001）。 （編譯 韓雨萌）