摘要：胃癌是我国高发的消化道恶性肿瘤，其发病率位居我国第四位。由于其异质性较高，胃癌患者普遍预后较差。尽管近年来我国胃癌患者的5年生存率有所提高，但整体预后仍不容乐观。早期发现并干预可以显著改善患者生存结局，凸显了早期筛查的重要临床价值
该研究通过整合四种循环游离DNA（cfDNA）特征构建集成机器学习模型，包括重复原件（REP）、基于片段的甲基化（FBM）、局灶性拷贝数变异（Focal CNV）以及片段大小模式（FSP）。该模型使用来自150例胃癌患者和153例胃部良性疾病患者的cfDNA数据进行训练，并在包含149例癌症患者、149例高风险良性病变患者和50例低风险良性病变患者的独立队列中得到验证。风险分层依据Correa级联模型进行划分。
本研究结果显示，通过四种cfDNA特征构建的集成机器学习模型，在训练集中达到0.913的受试者工作特征曲线下面积（AUROC），在测试集中同样达到0.912的AUROC，显著优于单一cfDNA特征指标，提示该模型在区分胃癌患者与胃部良性疾病个体中的卓越性能。为了让模型在实际应用中更加可靠，研究团队通过交叉验证确立了0.418作为决策阈值，可确保训练集中至少95%的检测灵敏度。该阈值在验证集中同样实现了准确的二元分类，且模型评分与肿瘤分期及分化程度呈显著相关性，证实其临床风险分层价值。从不同人群的区分效果来看，模型评分能有效区分恶性肿瘤与高危人群：非癌组的中位评分为0.35，显著低于癌前病变组的0.48和胃癌组的0.61。值得注意的是，相较于高级别上皮内瘤变，模型对胃癌病例的预测评分显著更高（p=0.003）。在验证数据集中，针对不同分期的胃癌，模型的检测灵敏度分别为：I期92.9%（95%CI：85.3%-96.7%）、II期96.3%（95%CI：81.7%-99.3%）、III期更是高达100%（95%CI：83.2%-100%）。对于不同分化程度的肿瘤，检测灵敏度表现为：高分化91.7%、中分化92.2%、低分化100%。此外，模型在特异性方面仍有提升的空间，在训练集和验证集中对胃癌检测的特异性分别为66%和71%。本研究构建了一种基于四种cfDNA特征的机器学习模型，作为无创精准诊断新范式，在胃癌早期检测领域展现出显著价值。研究数据显示，该模型能够精准捕捉早期胃癌患者cfDNA的特征变化，在区分胃癌与良性胃部病变时表现出优异的诊断性能，为胃癌早筛提供了一种安全、便捷的新途径，大幅提升了筛查的可及性和患者依从性，有望显著提升胃癌早期检出率，进而改善患者的预后。此外，从技术创新角度而言，该模型整合了多维度cfDNA特征，结合机器学习算法，突破了单一检测指标的局限性，为肿瘤液体活检技术发展提供了新思路。这不仅是胃癌筛查技术的重大突破，更为其他癌症的早期诊断提供了可借鉴的研究范式。尽管本研究已取得阶段性成果，但要真正实现临床广泛应用，仍需在更大规模、多样化的独立队列中进行验证，推动胃癌诊疗向“无创化、精准化、智能化”方向迈进，为实现胃癌的早诊早治、提升患者生存质量开辟新的路径。
参考文献：
[1]国家卫生健康委员会医疗应急司. 胃癌筛查与早诊早治方案（2024年版）[J]. 中华肿瘤杂志, 2024, 46(10): 915-916.
[2]Li HZ, et al. Accurate differentiation of malignant and benign gastric lesions using cell-free DNA biomarkers. 2025 ASCO. 3047.
本材料由阿斯利康提供，仅供医疗卫生专业人士参考审批编号：CN-164198 有效期至：2026-07-20*“医学界”力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。
来源：医学界