机器学习和代谢图谱相结合，早期卵巢癌检测准确率高达93%

佐治亚理工学院癌症综合研究中心（ICRC）研究人员借助机器学习配合血液代谢物研究，成功将卵巢癌样本检出准确度提升至惊人的93％。研究成果已刊登在《妇科肿瘤学》杂志。

卵巢癌因不易察觉且晚确诊而被视为无声杀手。据报道，晚期卵巢癌患者的五年存活率仅为31％，而及早发现与治疗，这一比例便可提高到90％以上。尽管从三十年前起已有专家尝试以各种方式探寻早期检测方法，但至今未能取得显著进展。麦克唐纳强调，所有卵巢癌都源于基因突变，因此同一类型的癌细胞可以通过不同路径形成。当前仍未发现适用于所有情况的诊断标志物，因此我们采用了人工智能中的机器学习技术，以便开发更有效的早期诊断方法。

研究团队认为，人体的生物代谢活动会影响多层次的分子变化，进而影响整个生理状态。为此，我们根据个体的代谢图谱来建立新的诊断模型。质谱法注重血样中代谢物质量及电荷特性的辨识，将其融入基于机器学习的预测模型，如同我们利用可以诱发特定面部形态的单个基因来构筑面部模式识别模型。血液中存在的成百上千种代谢产物，可通过质谱和机器学习得以准确检测，从而实施高效的卵巢癌早期筛查，其准确度高达93%。

麦克唐纳表示，新方法基于针对特定患者建构的代谢图谱，较之现行常规检测手段更为精准。这种特异性的方法有望拓展到其他癌症检测领域。