美国MD安德森癌症中心Hanash等开发的一种基于血液的代谢物面板证明了其独立的预测能力，可以作为卵巢恶性肿瘤风险算法（ROMA）的补充，来区分早期卵巢癌和良性疾病，以更好地为临床决策提供信息。（Clin Cancer Res. 2022年9月21日在线版 DOI: 10.1158/1078-0432.CCR-22-1113）

该研究的目的是评估循环代谢物对改善ROMA在预测卵巢囊肿女性罹患卵巢癌风险中的贡献。

研究对101例浆液性和非浆液性卵巢癌患者和134例良性盆腔肿块（BPM）患者的初始血清进行了代谢组学分析。利用深度学习模型，开发了一个由7种癌症相关代谢物组成的面板，用于区分早期卵巢癌和BPM。在118例卵巢癌病例和56例BPM受试者的独立血清中评估代谢物面板的性能。进一步评估了该面板为改善ROMA的性能所起的作用。

在独立试验集中，训练集开发的7种标志物代谢物面板（7MetP）对早期卵巢癌的AUC为0.86（95%CI 0.76~0.95）。在试验集中，7MetP+ROMA模型对早期卵巢癌的AUC为0.93（95%CI 0.84~0.98），与单独的ROMA模型相比有所改善（AUC=0.91，95%CI 0.84~0.98；似然比检验P=0.03）。在整个样本集中，与单独的ROMA相比，联合7MetP+ROMA模型对早期卵巢癌发生了较高的阳性预测值（0.52 vs. 0.68；单侧P<0.001），特异性也有提高（0.78 vs. 0.89；单侧P<0.001）。 （编译 韩雨萌）