- 王渝斐;张雯雯;胡云华;宋美琪;张琰;
目的：本研究旨在探讨在宫颈癌（Cervical Cancer,CC）中活性氧（Reactive Oxygen Species,ROS）相关基因的潜在预后价值。方法：从TCGA数据库下载CC的m RNA表达数据及临床信息。获得差异表达的基因后，应用Cox回归和LASSO回归建立CC的预后风险模型，并在临床相关信息中进行评价。CIBERSORT在线免疫细胞浸润估计分析工具用于量化宫颈癌样本中免疫细胞的比例。最后，评估免疫检查点抑制剂和化疗药物在不同风险人群中的敏感性。结果：本研究筛选出6个候选基因（JUN、SOD2、EGFR、BTK、DUOX1和TP53）构建风险模型，作为CC的独立预后标志物；富集分析表明，不同表达的基因在几种OS途径中富集。此外，不同风险组患者在免疫细胞浸润、免疫检查点抑制剂和化疗药物中有差异。结论：基于ROS相关基因构建的风险模型是一个独立的预后因素，有助于为CC的防治提供信息。
2024年05期 v.46 385-391+403页 [查看摘要][在线阅读][下载 1309K] [下载次数：11 ] |[网刊下载次数：0 ] |[引用频次：0 ] |[阅读次数：10 ] - 黄硕;习羽;
目的：探讨甲状腺乳头状癌（Papillary Thyroid Carcinoma,PTC）颈部中央区淋巴结转移（Central Lymph Node Metastasis,CLNM）的风险因素，构建临床风险预测模型对颈部CLNM的风险进行评估。方法：收集2020年1月至2022年5月期间新疆石河子某三甲医院接受手术并被确诊为PTC的394名患者纳入研究，根据是否存在CLNM将患者分为转移组（n=99例）和非转移组（n=295例），通过运用单因素分析和二元Logistic回归，分析了两组患者在临床病理特征、超声影像特征以及血清学指标等多个方面的差异，旨在找出影响颈部CLNM的独立危险因素。预测模型的结果以列线图形式呈现，并通过ROC曲线和校准曲线来验证模型的预测能力。结果：单因素分析显示，年龄、性别、肿瘤最大径、多灶肿瘤、双侧肿瘤、微钙化、抗甲状腺球蛋白抗体水平（TGAb）和抗甲状腺过氧化物酶抗体（TPOAb）水平与CLNM有统计学意义（P<0.05）。Logistic回归分析结果显示，年龄、性别、肿瘤直径、TPOAb和TGAb水平是导致PTC患者发生CLNM的独立风险因素（P<0.05）。依据上述5个危险因素建立风险预测模型，并用列线图呈现。模型的AUC值是0.730(95%CI=0.667～0.793)，校准曲线表明，模型预测曲线与理想曲线的贴合较好。结论：患者年龄<45岁、男性、肿瘤最大径≥1cm、TGAb阳性、TPOAb阴性是PTC患者CLNM的独立危险因素。
2024年05期 v.46 392-396+409页 [查看摘要][在线阅读][下载 961K] [下载次数：9 ] |[网刊下载次数：0 ] |[引用频次：0 ] |[阅读次数：6 ] - 程韦铭;王官利;戴海若;张瀚文;张书源;黎梦珏;吴江东;张万江;
目的：探讨GBP5、KLF2、DUSP3在活动性结核病人、潜伏结核感染者及健康对照组中的诊断价值，为结核病的诊断治疗找寻新的方法。方法：利用生物信息学分析筛选差异表达基因(Differential Expressed Genes,DEGs)，构建蛋白互作网络找出关键基因。选取我院从2020年2月至2023年2月期间就诊的患者及部分健康体检人员为研究对象（年龄均在18周岁及以上），收集外周全血：ATB组112例，LTBI组70例，健康对照组（Healthy Control Group,HC）83例。运用q RT-PCR对关键基因进行验证，检测其在三组研究对象中的差异表达情况。应用SPSS 25.0进行数据分析，使用ROC(receiver operating characteristic curve, ROC)分析关键基因在ATB、LTBI和HC三组中的诊断价值。结果：共筛选出三个关键基因（GBP5、KLF2、DUSP3）,q RT-PCR显示，GBP5在结核病中高表达，而KLF2和DUSP3在结核病中低表达；以ATB组为阳性组，LTBI组为阴性对照组，GBP5、KLF2、DUSP3敏感度分别为0.764、1.000、0.236，特异度分别为0.757、0.000、0.886；以ATB组为阳性组，HC组为阴性对照组，GBP5、KLF2、DUSP3敏感度分别为0.864、0.988、0.964，特异度分别为0.420、0.012、0.099；以LTBI组为阳性组，HC组为阴性对照组，该两组基因相对表达量差异无统计学意义。结论：(1)GBP5对潜伏结核感染者具有较高的诊断效能，有望用于人群中潜伏结核感染人群的筛查；(2)GBP5可考虑用于人群中健康者、潜伏结核感染者和结核病人的鉴别。
2024年05期 v.46 397-403页 [查看摘要][在线阅读][下载 1341K] [下载次数：8 ] |[网刊下载次数：0 ] |[引用频次：0 ] |[阅读次数：8 ] - 贺小玉;王婷;尹喜;岳晓宁;
目的：探讨基于DWI的影像组学机器学习模型在术前预测高危子宫内膜癌(Endometrial Carcinoma,EC)的价值。方法：搜集115名女性子宫内膜癌患者，术前行3.0T磁共振扫描，在扩散加权成像(Diffusion-weighted Imaging, DWI)上进行肿瘤分割后提取三维放射学特征。构建逻辑回归(Logistic Regression, LR)、支持向量机（Support Vector Machine, SVM）、决策树（Decision Tree, DT）、随机森林(Random Forest, RF)、光梯度提升(Light Gradient Boosting, Light GB)、极端梯度提升（Extreme Gradient Boosting, Xgboost）6种机器学习模型，获得各模型在鉴别高危子宫内膜癌的受试者工作特征(ROC)曲线下面积(AUC)、特异度、灵敏度和准确率。结果：LR、SVM、DT、RF、Light GB、Xgboost 6种机器学习模型，在训练集鉴别高危子宫内膜癌的AUC值分别为：0.960、0.923、0.997、0.984、0.921、0.991，在验证集分别为：0.916、0.829、0.832、0.937、0.837、0.899。其中训练集DT的AUC最高，Xgboost和LR次之，校准曲线显示各模型在训练集和验证集的预测结果和实际结果一致性良好，表明各模型在术前诊断高危EC均具有较高的诊断效能，可为临床决策提供参考依据。结论：基于DWI的放射学机器学习模型在术前预测高危子宫内膜癌有一定的价值，各模型的诊断效能均较高、特异度较高，且RF模型和LR模型可作为术前预测高危子宫内膜癌的优选模型。
2024年05期 v.46 404-409页 [查看摘要][在线阅读][下载 980K] [下载次数：8 ] |[网刊下载次数：0 ] |[引用频次：0 ] |[阅读次数：5 ]