多癌种检测:四种尿液与血浆代谢物组合经无标签模型分析,AUC达0.925,但在0.5%患病率下阳性预测值仅6.7%

美国国家癌症研究所(NCI)的团队检测了4105人尿液和血浆中的四种代谢物,并用一种不使用“患病/健康”标签的聚类算法,把八种癌症的病例与对照区分开来:AUC为0.925,而有监督的随机森林为0.991。信号是真实的,方法也很巧妙。但这只是一篇预印本,是仅有内部验证的病例对照研究;在0.5%的现实患病率下,阳性预测值降至6.7%,作者自己也写明该检测组合不适合用于人群筛查。

背景

“多癌种”血液或尿液检测是早期检测中争议最大的话题之一:一次采样,同时寻找多种癌症。难点众所周知。筛查检测需要极高的特异度(即不让健康人虚惊一场的能力),因为癌症在普通人群中很少见;而用病例/对照标签训练的有监督模型,可能记住的是各队列的特殊性,而不是生物学规律。

这项研究于2026年10月14日发布在medRxiv上,试图绕开其中一部分问题。它从NCI人类致癌实验室已研究过的、可在尿液或血浆中测量的四种代谢物这一窄小组合出发,提出问题:如果构建模型时完全不用任何标签,还能剩下多少信号?

方法

数据。来自六个队列、4105名个体的4225份样本(3875份尿液,350份血浆):2555份病例样本(前列腺1011、肺661、肝287、乳腺233、结肠215、间皮瘤93、胶质母细胞瘤30、胰腺25)和1670份对照。所有样本均在诊断时或诊断前后不久采集。作者没有对照者良性疾病或合并症的信息。

测量。四种代谢物用串联质谱(UPLC-MS/MS,先分离分子再按质量鉴定)定量:肌酸核苷(creatine riboside)、N-乙酰神经氨酸(NANA)、硫酸皮质醇和一种甾醇葡糖苷酸。浓度先取对数,再在每种样本类型内标准化(Z分数);“综合评分”是可用Z分数的平均值,缺失值不做插补(并非每个队列都测了所有分析物)。

有监督模型。比较了八种经典算法(逻辑回归、elastic net、随机森林、梯度提升、SVM、多层感知机、朴素贝叶斯、堆叠集成),采用按个体分组的五折交叉验证。随机森林(由多棵决策树投票组成的集成)作为参照。

“无标签”模型。高斯混合模型(GMM,假设数据来自若干个统计“团块”,并自行找出它们)在所有样本合并后的综合评分上拟合。均值高于中位数的成分被判为“偏高”;风险评分是属于这些成分之一的概率,阈值为0.5。标签只在模型固定之后使用一次,用来计算性能。作者还加入了无监督对照(k-means、层次聚类、PAM)、部分标注模型,以及混杂、生存和共形预测分析。

结果

机器学习指标。随机森林的AUC为0.991(95%置信区间0.989–0.993);无标签模型为0.925(0.917–0.934),约为有监督性能的93%。(AUC是模型给随机抽取的病例打出比随机对照更高分数的概率;0.5相当于随机。)按论文表格,无标签模型的灵敏度为0.827,特异度为0.941。区分能力从0.996(间皮瘤)到0.707(肝癌)不等。平均而言,任意两种分析物就能达到0.948的AUC;仅硫酸皮质醇就有0.963。在病例中,评分越高,生存期越短(每个标准差的风险比为1.33,95%置信区间1.24–1.42)。

临床转化。按研究本身的患病率(约60%为病例,这是病例对照设计造成的假象),每1000份样本中,模型大约能发现605例中的500例,漏掉105例,并把395名对照中的23人误判为阳性。在0.5%的筛查患病率(作者的假设)下情况完全不同:每检测1000人,约5例癌症中能发现约4例、漏掉1例,但约有59名健康人会得到阳性结果(编辑部根据灵敏度和特异度计算)。作者报告的阳性预测值为6.7%:每1000个阳性结果中约有67例癌症,即每发现一例癌症需要做14至15次进一步检查。阴性预测值0.999虽然很高,但主要是疾病罕见造成的。

优点

构建过程没有标签泄漏。混合模型的标准化、拟合和阈值设定都不使用标签,性能是事后计算的。这是对过拟合质疑的一种诚实回应,给出了比随机森林0.991更可信的下限。

针对假象的核查。作者检验了仅凭缺失值的模式(它反映来源队列)能否猜出癌症类型:只用该模式的模型在八个类别上取得0.448的平衡准确率,高于随机水平(0.125),说明风险确实存在,作者如实报告了这一点。他们还对年龄、性别、族裔和吸烟进行了校正(AUC 0.932),并计算了E值(11.7)。

对不确定性的合理表达。共形预测(让模型可以回答“不确定”而不是硬性判断的方法)在10%错误率下把7%的结果标为不确定,主要集中在肝(45%)和乳腺(27%)。报告遵循TRIPOD+AI,经费来自公共资金(NIH内部研究项目),数据可按申请获取。

不足

没有外部验证的病例对照设计(谱偏倚、人群偏倚)。病例是已确诊、往往较晚期的癌症,对照者的良性疾病情况未知。这种设计几乎总会抬高性能,作者也承认。没有在独立队列或其他测量平台上的验证,泛化能力未知。

队列与诊断相互混杂(捷径学习)。对照来自三个来源,病例来自六个;有些癌症(乳腺)只测了血浆且只有两种分析物,胰腺样本来自商业生物样本库。在这样的设置中,模型可能学到的是“样本从哪里来”,而不是“谁生病了”。缺失值模式检验降低了这一风险,但没有消除;组织来源的识别(无标签模型的平衡准确率为0.56)仍然较弱。

数字不能完全对上(误导性指标)。综合评分的AUC在不同分析中为0.922、0.961或0.907;器官识别准确率在正文中是0.847,在表格中是0.883;每10万人的推算隐含的阳性预测值约为7.5%,而不是6.7%。这些差异很可能源于不同的子集,但论文并未处处说明。此外还有小样本组(胶质母细胞瘤30例,胰腺25例),以及已声明的利益冲突:检测的部分组成受NCI技术转让安排约束。

意义

对研究界。论文提供了一个有用的流程:先弄清无监督模型能发现什么,再去训练复杂的分类器。合乎逻辑的下一步是前瞻性队列,采集诊断前的样本,纳入有良性疾病的对照,并在测试前冻结模型。

对临床医生。目前没有任何改变。这是未经同行评审的预印本,自身也声明不应指导临床实践。真正的启示在别处:在病例对照数据中表现良好的检测,仍可能无法用于筛查,因为患病率决定了预测值。

对患者和公众。目前并没有可用的多癌种尿液检测,也不应依据这项工作去寻求这类检测。请记住这一思路:面对任何宣称AUC达到0.9以上的结果,先问问检测阳性的人中到底有多大比例真的患病。

延伸阅读

预印本:Patel D.P. 等,“Label-free machine learning detects a multi-cancer signal in a noninvasive urine and plasma metabolite panel: a case–control study”,medRxiv,2026年10月14日(DOI 10.64898/2026.10.13.26365440)。作者:Daxesh P. Patel、Curtis C. Harris、Frank J. Gonzalez等,美国国立卫生研究院(NIH)国家癌症研究所(马里兰州贝塞斯达),并有科罗拉多大学安舒茨医学院和乔治城大学参与。数据可按申请获取(需NCI数据使用协议);代码将在论文被接受后发布于Zenodo。经费:NIH/NCI内部研究项目(ZIA BC 011492)。

编辑透明度说明:本文在人工智能工具的辅助下,依据预印本全文制作;除按每1000人换算的数字由编辑部计算外,所有数字均来自论文。英文、西班牙文和中文版本均为机器翻译。