导语
在我国，上消化道癌发病率长期居高不下，其中胃癌和食管癌易受热烫、高盐、腌制食品及吸烟、重度饮酒等不良习惯影响而在部分地区呈高发态势，防控形势十分严峻。值得关注的是，全球约半数的上消化道癌新发和死亡病例都发生在我国，严重威胁公众健康[1]。早期上消化道癌通常缺乏典型症状，导致大多数患者被确诊时已属晚期，五年生存率显著下降[2-4]。目前上消化道癌早诊主要依赖内窥镜检查和活检，但具有侵入性强、依从性较低，难以广泛推广的局限。
中国医科大学附属第一医院尚红院士、韩晓旭教授团队联合赵明芳教授团队，与世和基因合作开展的DECIPHER-upper GI大型前瞻性队列研究，基于世和基因MERCURY cfDNA片段多组学液体活检肿瘤早筛技术构建上消化道癌筛查模型，模型区分上消化道癌和健康人的AUC高达0.967；同时，模型对于区分上消化道癌前病变和良性疾病也展现出较高性能，有望作为一种精准且非侵入性的上消化癌早筛工具[5]。相关成果已于近日发表在Cancer letters（IF=10.1）。
研究亮点
1、样本量大且多样：纳入653例参与者，包括275例健康人、201例胃癌、74例食管癌、20例上消化道癌前病变、64例萎缩性胃炎及19例巴雷特食管，全面覆盖常见的上消化道癌、癌前病变和良性疾病。
2、性能卓越: 验证队列中，模型区分上消化道癌和健康人的AUC超0.96，在96%特异性下，敏感度高达80%。
3、临床应用前景广阔: 模型可有效预测上消化道早期癌症和癌前病变，并区分良性疾病。液体活检检测无创、便捷、可持续监测，有望成为一种新型上消化道癌筛查及管理的非侵入性工具。
研究内容
研究从中国医科大学附属第一医院招募653例参与者，按招募时间的先后分为训练队列和验证队列。训练队列包括112例胃癌（STAC）和38例食管癌（ESCA），以及150名健康人。验证队列包括89例胃癌和36例食管癌，以及125名健康人。此外，该队列还纳入20例癌前病变和83例上消化道良性疾病（萎缩性胃炎及巴雷特食管）。
研究基于世和MERCURY cfDNA片段多组学液体活检肿瘤早筛技术，收集参与者血浆样本并进行低深度WGS测序，从中提取了拷贝数变异（CNV）、片段大小分布（FSD）和基于cfDNA片段的甲基化（FBM）三种特征，通过集成学习算法综合三种机器学习模型，构建集成学习模型并在验证集中进行验证（图1）。
图1.研究的设计流程概况
研究结论
在训练队列中，基于单个片段组学特征的基础模型在区分上消化道癌和健康人方面均表现出较高的预测能力，将三种特征进一步叠加后，模型区分上消化道癌和健康人的AUC高达0.972（图2A、B、E）。在95.3%的特异性下，灵敏度高达82.6%。
在验证队列中，模型区分上消化道癌和健康人的AUC为0.967（图2C、D、F），敏感性79.2%，特异性96%。同时，模型在不同亚组间也表现出稳定性能，其区分良性疾病和癌前病变的AUC为0.828，区分良性疾病和上消化道癌的AUC为0.949，区分健康和癌前病变的AUC为0.873。
图2. 集成模型在训练队列、独立验证队列中的性能
在早期上消化道癌检测方面，训练及验证队列I期灵敏度分别为77.4%和68.3%，且灵敏度随分期上升和分化程度进展而升高。在上消化道癌溯源方面，模型对胃癌的灵敏度为74.2%；对食管癌的灵敏度达到了91.7%（图3）。
图3. 集成模型在不同分期、分化程度及癌种亚组中的性能
此外，模型在区分各种上消化道良性疾病，包括萎缩性胃炎、巴雷特食管和上消化道癌前病变方面也展现出优异性能：区分萎缩性胃炎和胃癌的特异性达95.3%、区分巴雷特食管和食管癌的特异性达到89.5%。对于癌前病变，模型对胃癌癌前病变的灵敏度为53.8%，对食管癌癌前病变的灵敏度为71.4%（图4）。
图4. 集成模型在不同上消化道疾病和癌前病变亚组中的性能
结语
世和基因通过与临床专家团队合作的DECIPHER系列研究，持续为早筛领域注入新活力。DECIPHER-upper GI研究聚焦于上消化道筛查，进一步验证了MERCURY技术的早筛性能。在临床实践中，胃癌及食管癌通常通过上消化道内窥镜联合筛查。世和MERCURY cfDNA片段多组学液体活检早筛技术可基于液体活检实现上消化道癌症的持续监测，并同步筛查多种上消化道癌前病变，为内窥镜检查提供了潜在的非侵入性补充方法。
参考文献
[1] F. Bray, M. Laversanne, H. Sung, J. Ferlay, R.L. Siegel, I. Soerjomataram, et al., Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries, CA Cancer J. Clin. 74 (3) (2024) 229–263．
[2] R.L. Siegel, A.N. Giaquinto, A. Jemal, Cancer statistics, 2024, CA Cancer J. Clin. 74 (1) (2024 Jan) 12–49.
[3] E.O. Then, M. Lopez, S. Saleem, V. Gayam, T. Sunkara, A. Culliford, et al., Esophageal cancer: an updated surveillance epidemiology and end results database analysis, World J. Oncol. 11 (2) (2020 Apr) 55–64.
[4] Y. Li, A. Feng, S. Zheng, C. Chen, J. Lyu, Recent estimates and predictions of 5-Year survival in patients with gastric cancer: a model-based period analysis, Cancer Control J. Moffitt Cancer Cent. 29 (2022) 10732748221099227.
[5] Cheng S, Luo Y, Dong X, Liu MY, Wu Z, Xu L, Yin H, Li X, Sha S, Zhai H, Li J, He C, Xiong Y, Bao L, Li S, Zhang S, Sun X, Xie Q, Li N, Bao H, Yang R, Zhu D, Guo R, Liu K, Shao Y, Xu X, Han X, Zhao M, Shang H. Advanced Ensemble Staking Model Employing cfDNA Fragmentation for Early Detection of Esophageal and Gastric Cancer. Cancer Lett. 2025 Jul 23:217945. doi: 10.1016/j.canlet.2025.217945. Epub ahead of print. PMID: 40712972.
