Ett maskininlärningsverktyg upptäcker cancer tidigt med mindre blodprover

Maskininlärningsverktyg för tidig cancer detektion

Forskare från City of Hope och Translational Genomics Research Institute (TGen) har utvecklat ett maskininlärningsverktyg som möjliggör tidigare upptäckt av cancer hos patienter genom att använda mindre blodprover. Detta verktyg använder en teknik kallad fragmentomics som är kapabel att identifiera cancer på ett tidigare stadium än vad som tidigare varit möjligt.

Hur fungerar maskininlärningsverktyget

När celler dör bryts de ner och DNA från cellerna läcker ut i blodet. Det är dessa små sekvenser av cellfritt DNA (cfDNA) som kan avslöja förekomsten av cancer. Forskningsteamet har utvecklat en algoritm vid namn Alu Profile Learning Using Sequencing (A-Plus) som analyserar cfDNA. Tekniken fokuserar på att upptäcka förändringar i fragmenteringsmönster hos cancer-cfDNA jämfört med normalt cfDNA, istället för att endast analysera specifika DNA-mutationer.

Forskningsresultat och Framtidsutsikter

I studien, som publicerades i tidskriften Science Translational Medicine, visade tekniken förmågan att identifiera hälften av cancerfallen i de 11 studerade typerna, och var mycket noggrann med endast ett falskt positivt resultat på var hundra testade. De flesta cancerproverna kom från personer med sjukdomen på ett tidigt stadium.

Framtiden ser ljus ut eftersom Cristian Tomasetti, Ph.D., planerar att lansera en klinisk prövning sommaren 2024 för att jämföra fragmentomics blodtestningsmetoden med standardvården för vuxna i åldrarna 65–75 år. Den prospektiva prövningen kommer att avgöra effektiviteten hos biomarkörpanelen för att upptäcka cancer i ett tidigare stadium när den är mer behandlingsbar.

https://www.eurekalert.org/news-releases/1031936?

https://www.msn.com/en-us/health/other/researchers-develop-machine-learning-tool-to-detect-cancer-earlier-via-liquid-biopsy/ar-BB1hcC1g

https://www.science.org/doi/10.1126/scitranslmed.adi3883

Leave a Reply

Din e-postadress kommer inte publiceras. Obligatoriska fält är märkta *