佐治亞理工學院癌癥綜合研究中心（ICRC）研究人員借助機器學習配合血液代謝物研究，成功將卵巢癌樣本檢出準確度提升至驚人的93％。研究成果已刊登在《婦科腫瘤學》雜志。

卵巢癌因不易察覺且晚確診而被視為無聲殺手。據(jù)報道，晚期卵巢癌患者的五年存活率僅為31％，而及早發(fā)現(xiàn)與治療，這一比例便可提高到90％以上。盡管從三十年前起已有專家嘗試以各種方式探尋早期檢測方法，但至今未能取得顯著進展。麥克唐納強調(diào)，所有卵巢癌都源于基因突變，因此同一類型的癌細胞可以通過不同路徑形成。當前仍未發(fā)現(xiàn)適用于所有情況的診斷標志物，因此我們采用了人工智能中的機器學習技術，以便開發(fā)更有效的早期診斷方法。

研究團隊認為，人體的生物代謝活動會影響多層次的分子變化，進而影響整個生理狀態(tài)。為此，我們根據(jù)個體的代謝圖譜來建立新的診斷模型。質(zhì)譜法注重血樣中代謝物質(zhì)量及電荷特性的辨識，將其融入基于機器學習的預測模型，如同我們利用可以誘發(fā)特定面部形態(tài)的單個基因來構筑面部模式識別模型。血液中存在的成百上千種代謝產(chǎn)物，可通過質(zhì)譜和機器學習得以準確檢測，從而實施高效的卵巢癌早期篩查，其準確度高達93%。

麥克唐納表示，新方法基于針對特定患者建構的代謝圖譜，較之現(xiàn)行常規(guī)檢測手段更為精準。這種特異性的方法有望拓展到其他癌癥檢測領域。