原文地址：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10891053/
胃癌（GC）代表了全球癌症相关死亡率的重大负担，迫切需要开发早期检测策略和精确的术后干预措施。然而，用于早期诊断和患者风险分层的非侵入性生物标志物的识别仍然没有得到充分研究。在这里，我们对来自多中心参与者的702个血浆样本进行了有针对性的代谢组学分析，以阐明GC代谢重编程。我们的机器学习分析揭示了一个10代谢物GC诊断模型，该模型在外部测试集中得到验证，灵敏度为0.905，优于利用癌症蛋白标志物的传统方法（灵敏度<0.40）。此外，我们的机器学习预后模型展示了利用临床参数的传统模型的卓越性能，并有效地将患者分层到不同的风险组以指导精确干预。总的来说，我们的研究结果揭示了GC的代谢特征，并确定了两种不同的生物标志物特征集合，分别能够实现早期检测和预后预测，从而促进GC中的精准医学。
胃癌、癌症代谢、肿瘤生物标志物、机器学习、癌症筛查
因为腾讯会议人数限制，超员后无法进入。如果无法进入，可以通过视频号观看同步的直播。
