術(shù)后檢測？穿刺活檢？在手術(shù)前，甲狀腺結(jié)節(jié)的良性惡性難分辨。西湖大學(xué)教授郭天南團隊將高通量蛋白質(zhì)組學(xué)與Al技術(shù)結(jié)合，診斷準確率提高到85%以上。
(資料圖)
9月6日，西湖大學(xué)郭天南研究員團隊、李子青教授團隊及臨床合作者在學(xué)術(shù)期刊《細胞發(fā)現(xiàn)》（Cell Discovery）雜志上發(fā)表論文“Artificial intelligence defines protein-based classification of thyroid nodules”，利用人工智能結(jié)合蛋白質(zhì)表達檢測，精準診斷甲狀腺的良惡性，從而幫助醫(yī)生判斷結(jié)節(jié)是否需要切除。
近年來，甲狀腺結(jié)節(jié)的患病率持續(xù)高升，普通人群中的甲狀腺結(jié)節(jié)患病率高達50%，即每2個成年人中就有1個人可能患有甲狀腺結(jié)節(jié)。
數(shù)據(jù)顯示，其中大概只有10%是惡性的。也就是說，大部分良性甲狀腺結(jié)節(jié)患者原本可以選擇保守治療而不是切除。
在臨床評估中，通常采用細針穿刺活檢方式，獲取結(jié)節(jié)的組織樣本來進行細胞病理診斷。即便如此，仍然有多達1/3的甲狀腺結(jié)節(jié)無法準確分類。
在郭天南等人發(fā)表的最新研究中，科研人員使用壓力循環(huán)技術(shù)，可以實現(xiàn)在微量組織樣本上進行蛋白質(zhì)組學(xué)分析。
研究人員基于1724例石蠟包埋（FFPE）的甲狀腺組織，尋找到19個蛋白質(zhì)生物標志物，并建立模型——一個神經(jīng)網(wǎng)絡(luò)模型。實驗結(jié)果表明，該模型在對甲狀腺結(jié)節(jié)良惡性的判斷準確率超過91%。
為了驗證該模型的性能，研究人員對來自中國的288個樣本進行測試，其診斷結(jié)果的準確率為89%。從新加坡、中國的12個臨床中心收集到的另外294份樣本顯示，驗證結(jié)果準確率為85%。
在甲狀腺結(jié)節(jié)分子診斷中，基于核酸（DNA與RNA）的輔助診斷方法已是一項較為成熟的技術(shù)。但RNA易降解，給檢測帶來了挑戰(zhàn)。
同時，用于不確定性結(jié)節(jié)良惡性判別的突變目前仍存爭議，因此限制了其應(yīng)用。
相比之下，從蛋白質(zhì)分子層面進行分析就會可靠得多。當發(fā)生病變時，病變部位的狀態(tài)可以直接地從蛋白質(zhì)分子層面顯示出來。
但由于蛋白質(zhì)組的數(shù)據(jù)十分繁雜，研究人員的工作量會變得十分龐大，AI的加入恰好解決了這一問題，它的計算速度和準確性使得研究人員分析蛋白質(zhì)組數(shù)據(jù)的過程變得輕松很多。
郭天南教授也認為，如果可以將大健康與AI結(jié)合起來，不管從學(xué)術(shù)角度、從生物學(xué)原理的必要性角度，還是從市場、社會的需求來說，都將是時代的大趨勢。
參考資料
1. Artificial inteligence defines protein-based classification of thyroid nodules.Cell.
2. 郭天南｜人工智能+蛋白質(zhì)組學(xué)：藥物研發(fā)的生物學(xué)底層變革.智藥邦.
https://mp.weixin.qq.com/s/HO3BCZix8vhhf1ZENv2Ndg
3. Proteomic and Metabolomic Characterization of COVID-19 Patient Sera.Cell.
https://www.cell.com/cell/fulltext/S0092-8674(20)30627-9
4. Multi-organ Proteomic Landscape of COVID-19 Autopsies.Cell.
https://www.cell.com/cell/fulltext/S0092-8674(21)00004-0
