来源：Breast Cancer Res Treat 作者：Murata T

研究摘要

本研究探讨了唾液代谢组学与替代决策树机器学习方法在乳腺癌鉴别中的应用。通过分析唾液样本中的代谢物，研究旨在开发一种非侵入性的方法，以提高乳腺癌的早期诊断率。研究结果表明，结合机器学习技术可以有效区分乳腺癌患者与健康对照组。

背景

乳腺癌是全球女性中最常见的癌症之一，早期诊断对改善预后至关重要。传统的诊断方法如乳腺X光检查和活检虽然有效，但存在一定的侵入性和不适感。近年来，唾液作为一种非侵入性生物样本，因其含有丰富的代谢物而受到关注。唾液代谢组学的研究有望为乳腺癌的早期筛查提供新的思路。

目的

本研究的主要目的是利用唾液代谢组学和替代决策树机器学习方法，开发一种能够有效区分乳腺癌患者与健康个体的模型。通过识别特定的代谢物，研究希望提供一种新的早期诊断工具。

方法

研究招募了乳腺癌患者和健康对照组，收集其唾液样本。采用气相色谱-质谱联用技术（GC-MS）分析唾液中的代谢物。数据分析采用了多种机器学习算法，包括替代决策树（ADTree）等，以评估不同代谢物对乳腺癌的区分能力。

在模型构建过程中，研究团队进行了特征选择，以确定哪些代谢物对分类结果贡献最大。随后，通过交叉验证评估模型的性能，确保其在不同样本组中的稳定性和可靠性。

结果

研究结果显示，特定的唾液代谢物在乳腺癌患者与健康对照组之间存在显著差异。通过替代决策树模型，研究能够实现高达85%的准确率，成功区分乳腺癌患者与健康个体。此外，模型在不同的验证集上均表现出良好的分类性能，表明其具有较高的临床应用潜力。

研究还识别出几种关键代谢物，这些代谢物可能与乳腺癌的生物学特性相关，为进一步的生物标志物研究提供了基础。

结论

本研究表明，唾液代谢组学结合替代决策树机器学习方法能够有效区分乳腺癌患者与健康个体，提供了一种新的非侵入性早期诊断工具。研究结果强调了唾液作为生物样本在癌症筛查中的潜力，尤其是在乳腺癌的早期检测方面。

意义

本研究为乳腺癌的早期诊断提供了新的视角，展示了唾液代谢组学与机器学习技术结合的可能性。通过进一步的研究和临床验证，这一方法有望在未来成为乳腺癌筛查的标准工具，改善早期诊断率并提高患者的生存率。此外，研究结果可能为其他类型癌症的非侵入性检测提供借鉴，推动代谢组学在癌症研究中的应用。

参考文献：Murata T, Yanagisawa T, Kurihara T, Kaneko M, Ota S, Enomoto A, Tomita M, Sugimoto M, Sunamura M, Hayashida T, Kitagawa Y, Jinno H. Salivary metabolomics with alternative decision tree-based machine learning methods for breast cancer discrimination. Breast Cancer Res Treat, 177:591-601, 2019

本内容仅供医学知识科普使用，不能替代专业诊疗

文章于11月26日有修订