用于无创肝癌诊断的临床可解释细胞外囊泡基因模型

为何血液检测对肝癌至关重要

肝癌是全球最致命的癌症之一，主要原因在于常常在无法治愈的晚期才被发现。现有用于早期发现的工具——影像学检查和肝活检——费用高、存在一定风险，而且并非总是准确。本文研究了另一种思路：是否可以通过一份简单的血样，结合智能计算模型，读取病变细胞释放到血液中的微小基因信息，从而发现肝癌的早期迹象。

在血液中漂浮的微小信使

我们体内的所有细胞都会定期释放微小囊泡，称为细胞外囊泡，进入血液和其他体液。这些囊泡携带蛋白质、脂质及反映来源细胞状态的各种遗传物质。癌细胞也会脱落此类囊泡，但它们携带的内容物与健康细胞不同。由于囊泡在循环中随血流运动，可通过一次简单的抽血而非插针入肝脏来获取。作者利用了大型公共数据库 exoRBase 3.0，该数据库包含数百名有无肝癌人群的囊泡中遗传物质的详细测量数据。

教计算机解读囊泡信号

研究团队从数据库中收集了两类 RNA 的信息——信使 RNA（mRNA，携带合成蛋白的指令）和长链非编码 RNA（lncRNA，参与调控细胞行为）。他们分析了来自112例肝癌患者和118名健康个体的样本。数据清洗和标准化后，他们训练了六种不同的计算模型，根据囊泡 RNA 中的模式区分癌症样本与非癌样本。这些方法涵盖了传统统计工具到更灵活的深度神经网络，后者能发现更复杂的模式。

找出小而强效的基因面板

在该数据集中，深度神经网络表现最佳，在多数情况下能正确区分癌症与健康血样。然而，依赖数千项测量的模型难以理解，也不适合常规检测。为此，研究者采用了一种名为 SHAP 的方法，能够识别出哪些输入对模型决策最重要。这样他们将特征缩减到仅十个由囊泡携带的特定信使 RNA。其中 MTRNR2L8 对模型预测的贡献最大，其他如 HBB、PF4、FTL 和 S100A9 也发挥了重要作用。即便仅用这十个 RNA，模型仍表现良好，表明相对小且集中的面板可能足够用于基于血液的检测。

为人工智能“开箱”

医生通常对那些给出结论却没有明确理由的计算模型持谨慎态度。为建立信任，团队强调透明性。SHAP 不仅用于整体上对基因重要性进行排序，还能展示对于某位患者，每个基因如何将预测结果推向“癌症”或“健康”。研究人员还尝试了一种较新的网络类型——Kolmogorov–Arnold 网络，该网络用明确的数学曲线表示输入与输出之间的关系。这一方法证实了相同的十个基因携带强烈信号，并展示了它们的组合行为如何塑造最终决策，从而提供了对模型学习内容的更可解释视角。

从实验室概念走向潜在临床工具

作为概念验证，作者搭建了一个在线演示平台，用户可以输入囊泡基因测量值，查看模型预测的肝癌概率以及每个基因对结果的可视化影响。然而，他们强调该工作仍处于实验阶段。该模型迄今仅在同一公共数据库的数据上进行测试，而真实世界的患者常伴混合性肝病、不同治疗历史，以及样本采集的技术差异。要在医院或筛查项目中使用此类检测，仍需在独立患者群体中开展更大规模、设计严谨、使用标准化方法的研究。

这对患者意味着什么

这项研究表明，血液中微小颗粒所携带的一小组遗传标记，理论上可以在不做侵入性操作的前提下帮助检测肝癌。将这些标记与医生可以理解和审查的计算模型相结合，这项工作指向了未来既准确又可信的血液检测方向。尽管在临床应用之前仍有重要障碍需克服，例如在多种不同人群中确认结果并确保检测的实用性与可负担性，但这项研究展现了液体活检与可解释人工智能有朝一日可能实现更早、更安全肝癌诊断的前景。

引用: Zhang, Y., Mo, Z., Zhang, L. et al. Clinically interpretable extracellular vesicle gene model for Non-Invasive liver cancer diagnosis. Sci Rep 16, 9054 (2026). https://doi.org/10.1038/s41598-026-40020-9

关键词: 肝癌, 液体活检, 细胞外囊泡, 机器学习, 早期诊断