食管鳞状细胞癌和食管胃交界处腺癌预后较差，早期发现是降低死亡率的关键。然而，早期检测依赖于上消化道内窥镜检查，这在人群水平上是不可行的。该研究的目标是开发并验证一种基于机器学习的全自动预测工具，该工具集成了微创海绵细胞学检测和流行病学危险因素，用于内镜检查前食管-胃交界处的食管鳞状细胞癌和腺癌的筛查。
2023年3月14日，海军军医大学王洛伟，李兆申及东南大学施瑞华共同通讯在Lancet Gastroenterology & Hepatology （IF=45）在线发表题为“Machine learning-based automated sponge cytology for screening of oesophageal squamous cell carcinoma and adenocarcinoma of the oesophagogastric junction: a nationwide, multicohort, prospective study”的研究论文，在这项多队列前瞻性研究中，招募了在中国39家三级或二级医院接受上消化道内窥镜筛查的40-75岁参与者进行模型训练和测试，并纳入基于社区的筛查参与者进行进一步验证。预测特征包括105个细胞学特征和15个流行病学特征。模型性能主要用受试者工作特征曲线下面积(AUROC)和平均精度来衡量。在2021年1月1日至2022年6月30日期间，17498名符合条件的参与者参与了模型训练和验证。在测试数据集中，最终模型的AUROC为0·960 ，平均精度为0·482。在人工智能辅助下，该模型实现了与细胞学家共识相似的性能。如果转诊模型定义的中危和高危人群进行内镜检查，敏感性为94.4%，特异性为91·9%，预测阳性值为18·4%，可避免90·3%的内镜检查。在社区筛查中的进一步验证显示，该模型的AUROC为0.964 ，经风险分层后可避免98%的内镜检查。
总之，该研究开发了一种预测工具，对食管-胃交界处的食管鳞状细胞癌和腺癌筛查具有良好的性能。这种方法可以避免在许多低风险人群中进行内窥镜筛查，并通过优先考虑高风险人群来确保资源优化。
最后，国际食管癌筛查研究领军专家，美国国家癌症研究所Sanford Dawsey教授及荷兰阿姆斯特丹大学Lucas Duits教授在该期刊发表联名评论文章称：本研究为食管癌筛查领域突破性进展，创新点十分丰富，填补了当前缺乏非内镜筛查手段的空白，具有重要推广应用价值。
在全球范围内，食管癌是2020年第七大常见癌症，也是癌症相关死亡的第六大原因。发病率最高的地理区域包括东亚和中亚、撒哈拉以南非洲和一些南美国家，其中食管鳞状细胞癌是主要的组织学亚型(占病例的近90%)。此外，全球食管胃交界处腺癌(包括食管腺癌和贲门胃腺癌)的发病率正在迅速上升。值得注意的是，一些地理区域的食管鳞状细胞癌和食管胃交界处腺癌的疾病负担都很重。例如，据估计，2018年全球57.5%的食管鳞状细胞癌病例和60%的贲门胃癌病例发生在中国。两种癌症的医疗资源稀缺，发病率高，给疾病控制带来了不小的挑战。
食管鳞状细胞癌和食管胃交界处腺癌的预后都很差，5年总生存率不到30%。这主要是由于在可治愈阶段没有警报症状和可靠的诊断生物标记物。癌症筛查通常可以更早发现并提高生存率。上消化道内镜与靶向活检是唯一成熟的筛查和诊断方法。在中国进行的基于人群的研究已经证实，在非常高危的地理区域，Lugol染色内镜可以提高食道鳞状细胞癌和食管胃交界处腺癌的早期检出率，并降低死亡率。然而，内镜手术的侵入性和资源密集性以及目标病灶在普通人群中相对较低的患病率(0.8% - 1.6%)限制了内镜大规模筛查的可行性和成本效益。因此，为了在内镜检查前识别高危人群，迫切需要开发一种侵入性小、易于获得、诊断准确性好的方法。
传统拉网细胞学（左）和团队研发的新型食管细胞富集器（右）
食管癌海绵细胞学是一种新兴的、微创的、方便的检测食管癌及其癌前病变和前体状况(Barrett’s食管)的检测方法。该细胞收集装置在停药期间从整个食管和食管-胃交界处收集上皮细胞，并进行随后的形态学或生物标志物分析。对于Barrett食管，细胞海绵-三叶因子3 (TFF3)是一种公认的非内镜检测方法，与初级保健环境中有反流症状的患者相比，TFF3可将Barrett食管的检出率提高10.6倍。对于高危地理区域，食道鳞状细胞癌是主要亚型，几种类型的海绵细胞学测试也产生了有希望的初步结果。
研究人员之前开发了一种人工智能(AI)辅助的海绵细胞学检测，该检测可自动提示潜在的异常细胞，供细胞学家诊断，在中国的一项基于社区的食管鳞状细胞癌筛查项目中，该检测的敏感性为90.0%，特异性为93.7%。然而，缺乏经验丰富的细胞学家使得这种方法不适用于基于人群的筛查，特别是在资源有限的地区。此外，食管胃交界处的腺癌，也在海绵细胞学的检测范围内，以前没有被研究过。因此，该研究旨在开发并外部验证一个基于高危地理区域食管-胃交界处筛查的食管鳞状细胞癌和腺癌的细胞学和流行病学特征的全自动机器学习模型。
分析最具预测性的特征和模型的可解释性（图源自Lancet Gastroenterology & Hepatology ）
在这项多队列前瞻性研究中，招募了在中国39家三级或二级医院接受上消化道内窥镜筛查的40-75岁参与者进行模型训练和测试，并纳入基于社区的筛查参与者进行进一步验证。所有参与者按顺序进行问卷调查、海绵细胞学检查和内窥镜检查。训练机器学习模型来预测高级别病变的复合结果，定义为组织学证实的高级别上皮内瘤变和食管和食管胃交界处癌。预测特征包括105个细胞学特征和15个流行病学特征。模型性能主要用受试者工作特征曲线下面积(AUROC)和平均精度来衡量。该研究还评估了人工智能辅助下细胞学家的绩效指标。
在2021年1月1日至2022年6月30日期间，17498名符合条件的参与者参与了模型训练和验证。在测试数据集中，最终模型的AUROC为0·960 (95% CI为0·937 ~ 0·977)，平均精度为0·482(0·470 ~ 0·494)。在人工智能辅助下，该模型实现了与细胞学家共识相似的性能(AUROC 0.955 [95% CI 0.933至0.975];p = 0·749；差异0·005,95% CI， -0·011至0·020)。如果转诊模型定义的中危和高危人群进行内镜检查，敏感性为94.4% (95% CI为88·8 ~ 97·5)，特异性为91·9%(91·2 ~ 92·5)，预测阳性值为18·4%(15·6 ~ 21·6)，可避免90·3%的内镜检查。在社区筛查中的进一步验证显示，该模型的AUROC为0.964 (95% CI 0.920 ~ 0.990)，经风险分层后可避免98%的内镜检查。
模型预测风险评分对受检者ESCC与AEG患病风险的分层作用（图源自Lancet Gastroenterology & Hepatology ）
总之，该研究开发了一种预测工具，对食管-胃交界处的食管鳞状细胞癌和腺癌筛查具有良好的性能。这种方法可以避免在许多低风险人群中进行内窥镜筛查，并通过优先考虑高风险人群来确保资源优化。
转自：“iNature”微信公众号
如有侵权，请联系本站删除！
