犬类癌症检测(CANDiD)研究:使用独立测试集对1000多只犬进行基于高通量测序的多癌种早期检测"液体活检"血液测试的临床验证

简介: 这项研究首次在大规模独立测试集上验证了基于NGS的液体活检在犬类多癌种检测中的应用。该方法具有很高的特异性,可以作为一种新的无创癌症筛查和辅助诊断工具。通过早期发现癌症,有望改善犬类癌症的诊断和管理模式。

文献解读-Liquid Biopsy.png

关键词:液体活检;基因检测;变异检测;


文献简介

  • 标题(英文):Clinical validation of a next-generation sequencing-based multi-cancer early detection “liquid biopsy” blood test in over 1,000 dogs using an independent testing set: The CANcer Detection in Dogs (CANDiD) study
  • 标题(中文):犬类癌症检测(CANDiD)研究:使用独立测试集对1000多只犬进行基于高通量测序的多癌种早期检测"液体活检"血液测试的临床验证
  • 发表期刊:PLOS ONE
  • 作者单位:圣地亚哥兽医专科医院等
  • 发表年份:2022
  • 文章地址:https://doi.org/10.1371/journal.pone.0266623

屏幕截图 2024-12-16 111117.png

图1 文献介绍

癌症是成年犬的主要死因,但目前缺乏有效的早期筛查方法。CANcer Detection in Dogs (CANDiD)研究是一项开创性的大规模临床验证研究,旨在评估基于高通量测序(NGS)的液体活检技术在犬类多癌种早期检测中的应用。

研究招募了1,358只犬,最终纳入1,100只受试者进行分析,其中224只用于算法开发,876只用于性能测试。研究采用统一的实验室流程,对所有犬的血液样本中的cfDNA和gDNA进行测序分析,以检测癌症相关的基因组变异。


测序流程

在样本收集和实验室程序研究部分中,研究组使用Sentieon TNScope 进行高精度变异检测。
屏幕截图 2024-12-16 110951.png

图2 Sentieon 在研究中的作用
TNScope.png


图3 Sentieon TNScope工作流程

研究结果显示,基于高通量测序的液体活检方法在犬类多癌种检测中表现出良好的性能。在测试集中,351个癌症诊断受试样本中有192只检测到阳性结果,总体敏感性为54.7%。519只中511只检测到阴性结果,特异性高达98.5%,这意味着它能够准确地识别大多数癌症病例,同时几乎不会产生假阳性结果。

1.jpg

图4 CANDiD研究测试集中的测试结果和性能

特别值得注意的是,对于三种最具侵袭性的犬类癌症(淋巴瘤、血管肉瘤和骨肉瘤),有137只受试者患有这三种癌症类型之一的单一原发性癌症;其中117只得到了阳性结果,检出率高达85.4%。在8种最常见犬类癌症(淋巴瘤、血管肉瘤、骨肉瘤、软组织肉瘤、肥大细胞瘤、乳腺癌、肛门囊腺癌和恶性黑色素瘤)中,237只受试者患有这八种癌症类型之一的单一原发性癌症;但其中一只被排除在外,在剩余的样本中146只得到阳性结果,总体检出率为61.9%。这些结果对于这些通常预后较差的癌症类型来说尤为重要,因为早期发现可能会显著改善治疗效果。

2.jpg

图5 测试集中三种最具侵袭性犬类癌症的测试结果和性能

3.jpg

图6 测试集中八种最常见犬类癌症的测试结果和性能

研究还发现,该方法的检测能力与疾病的程度和肿瘤的大小密切相关。对于扩散或转移性疾病,特别是肿瘤≥5cm的情况,检出率可以达到87.5%。显示出在识别晚期癌症方面的卓越表现。然而,对于局部或区域性疾病,尤其是肿瘤较小的情况(≤5 cm),检出率为为19.6%,相对较低。这提示了该技术在早期癌症检测方面仍有改进空间。

5.jpg

图7 按疾病程度和肿瘤大小的检出率

值得一提的是,该方法能够检测到30种不同类型的癌症信号,并且对于血液系统恶性肿瘤,还能够以较高的准确率(92.7%)预测癌症信号的来源。这种广谱性使得它成为一个潜在的强大筛查工具,能够在一次检测中覆盖多种癌症类型。

4.jpg

图8 按癌症类型的检出率

最后,在案例研究部分中进一步证实了该方法的预测能力,在临床症状出现前7个月就检测到了癌症信号。这凸显了液体活检在早期癌症检测中的潜力,可能为及时干预和改善预后开辟新的途径。

6.jpg

图9 一只疑似无癌症的7岁、37公斤重的绝育混种母犬的案例研究,该犬获得了“检测到癌症信号”的结果,随后被诊断为血管肉瘤

Sentieon 软件团队拥有丰富的软件开发及算法优化工程经验,致力于解决生物数据分析中的速度与准确度瓶颈,为来自于分子诊断、药物研发、临床医疗、人群队列、动植物等多个领域的合作伙伴提供高效精准的软件解决方案,共同推动基因技术的发展。截至 2023 年 3 月份,Sentieon 已经在全球范围内为 1300+用户提供服务,被世界一级影响因子刊物如 NEJM、Cell、Nature 等广泛引用,引用次数超过 700 篇。此外,Sentieon 连续数年摘得了 Precision FDA、Dream Challenges 等多个权威评比的桂冠,在业内获得广泛认可。


文献讨论

屏幕截图 2024-12-16 113502.png

图10 文献讨论

这项研究首次大规模验证了基于NGS的液体活检技术在犬类多癌种检测中的应用。结果显示该方法具有高特异性和中等敏感性,尤其对侵袭性强的癌症类型检测效果更佳。研究发现这种技术能在症状出现前数月检测到癌症,但对早期小型肿瘤的检测仍有局限。研究者提出了几种改进方法,并指出该技术在犬类癌症筛查中具有潜力,同时对人类癌症研究也有启发。未来研究将聚焦于在不同犬种和癌症类型中的应用,以及与其他诊断方法的结合。尽管面临一些挑战,这项技术在癌症早期诊断和管理方面展现出了极大的潜力和前景。


总结

这项研究首次在大规模独立测试集上验证了基于NGS的液体活检在犬类多癌种检测中的应用。该方法具有很高的特异性,可以作为一种新的无创癌症筛查和辅助诊断工具。通过早期发现癌症,有望改善犬类癌症的诊断和管理模式。尽管在早期小肿瘤的检测方面仍有改进空间,但其在检测侵袭性和晚期癌症方面的出色表现为未来的研究和应用开辟了新的途径。

目录
相关文章
|
数据采集 机器学习/深度学习 大数据
行为检测代码(一):超详细介绍C3D架构训练+测试步骤
这篇文章详细介绍了C3D架构在行为检测领域的应用,包括训练和测试步骤,使用UCF101数据集进行演示。
500 1
行为检测代码(一):超详细介绍C3D架构训练+测试步骤
|
3月前
|
测试技术 UED 开发者
性能测试报告-用于项目的性能验证、性能调优、发现性能缺陷等应用场景
性能测试报告用于评估系统性能、稳定性和安全性,涵盖测试环境、方法、指标分析及缺陷优化建议,是保障软件质量与用户体验的关键文档。
|
4月前
|
机器学习/深度学习 存储 分布式计算
Java 大视界 --Java 大数据机器学习模型在金融风险压力测试中的应用与验证(211)
本文探讨了Java大数据与机器学习模型在金融风险压力测试中的创新应用。通过多源数据采集、模型构建与优化,结合随机森林、LSTM等算法,实现信用风险动态评估、市场极端场景模拟与操作风险预警。案例分析展示了花旗银行与蚂蚁集团的智能风控实践,验证了技术在提升风险识别效率与降低金融风险损失方面的显著成效。
|
10月前
|
算法 数据安全/隐私保护 计算机视觉
基于FPGA的图像双线性插值算法verilog实现,包括tb测试文件和MATLAB辅助验证
本项目展示了256×256图像通过双线性插值放大至512×512的效果,无水印展示。使用Matlab 2022a和Vivado 2019.2开发,提供完整代码及详细中文注释、操作视频。核心程序实现图像缩放,并在Matlab中验证效果。双线性插值算法通过FPGA高效实现图像缩放,确保质量。
|
9月前
|
Oracle 关系型数据库 MySQL
使用崖山YMP 迁移 Oracle/MySQL 至YashanDB 23.2 验证测试
这篇文章是作者尚雷关于使用崖山YMP迁移Oracle/MySQL至YashanDB 23.2的验证测试分享。介绍了YMP的产品信息,包括架构、版本支持等,还详细阐述了外置库部署、YMP部署、访问YMP、数据源管理、任务管理(创建任务、迁移配置、离线迁移、校验初始化、一致性校验)及MySQL迁移的全过程。
|
机器学习/深度学习 JSON 算法
实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版(从自定义数据集到测试验证的完整流程)
本文详细介绍了使用YOLOv5-Seg模型进行图像分割的完整流程,包括图像分割的基础知识、YOLOv5-Seg模型的特点、环境搭建、数据集准备、模型训练、验证、测试以及评价指标。通过实例代码,指导读者从自定义数据集开始,直至模型的测试验证,适合深度学习领域的研究者和开发者参考。
5310 3
实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版(从自定义数据集到测试验证的完整流程)
|
机器学习/深度学习 JSON 算法
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
本文介绍了DeepLab V3在语义分割中的应用,包括数据集准备、模型训练、测试和评估,提供了代码和资源链接。
3117 0
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
|
机器学习/深度学习 算法 PyTorch
目标检测实战(五): 使用YOLOv5-7.0版本对图像进行目标检测完整版(从自定义数据集到测试验证的完整流程)
本文详细介绍了使用YOLOv5-7.0版本进行目标检测的完整流程,包括算法介绍、环境搭建、数据集准备、模型训练、验证、测试以及评价指标。YOLOv5以其高精度、快速度和模型小尺寸在计算机视觉领域受到广泛应用。
6116 0
目标检测实战(五): 使用YOLOv5-7.0版本对图像进行目标检测完整版(从自定义数据集到测试验证的完整流程)
|
缓存 数据挖掘 测试技术
目标检测实战(三):YOLO-Nano训练、测试、验证详细步骤
本文介绍了YOLO-Nano在目标检测中的训练、测试及验证步骤。YOLO-Nano是一个轻量级目标检测模型,使用ShuffleNet-v2作为主干网络,结合FPN+PAN特征金字塔和NanoDet的检测头。文章详细说明了训练前的准备、源代码下载、数据集准备、参数调整、模型测试、FPS测试、VOC-map测试、模型训练、模型测试和验证等步骤,旨在帮助开发者高效实现目标检测任务。
826 0
目标检测实战(三):YOLO-Nano训练、测试、验证详细步骤
|
机器学习/深度学习 Python
训练集、测试集与验证集:机器学习模型评估的基石
在机器学习中,数据集通常被划分为训练集、验证集和测试集,以评估模型性能并调整参数。训练集用于拟合模型,验证集用于调整超参数和防止过拟合,测试集则用于评估最终模型性能。本文详细介绍了这三个集合的作用,并通过代码示例展示了如何进行数据集的划分。合理的划分有助于提升模型的泛化能力。