SERS-basiertes Serum-Molekularspektral-Screening auf gutartige und bösartige pulmonale proliferative Knötchen (SERS on lung)

Im Jahr 2020 gab es weltweit etwa 19,3 Millionen neue Krebsfälle und fast 10 Millionen Krebstote. Unter ihnen betrug die Zahl der Neuerkrankungen an Lungenkrebs etwa 2,21 Millionen, was 11,4 % der Gesamtzahl der Neuerkrankungen an Krebs ausmacht. Es gab etwa 1,8 Millionen Todesfälle durch Lungenkrebs und lag damit an erster Stelle unter den Krebstodesfällen. In diesem Jahr betrug die Zahl der neuen Fälle von Lungenkrebs in China 816.000, was 37 % der weltweiten Gesamtzahl ausmachte. Im Jahr 2022 stieg die jüngste Zahl der Lungenkrebsfälle in China auf 1,0606 Millionen und die Zahl der Lungenkrebstoten lag bei 733.000. In Bezug auf die 5-Jahres-Überlebensrate von Lungenkrebspatienten lagen die 2018 in China veröffentlichten Daten (2012-2015) bei 19,7 %, was immer noch eine große Lücke zur gesamten 5-Jahres-Überlebensrate von Krebspatienten von 46,6 % im Jahr 2030 darstellt vorgeschlagen im „Healthy China Action-Cancer Prevention and Control Action Implementation Plan (2023-2030)“. Die Prognose von Lungenkrebs ist in den verschiedenen Stadien sehr unterschiedlich. Die 5-Jahres-Überlebensrate von Lungenkrebs im Stadium I beträgt 77 % bis 92 %, und die 5-Jahres-Überlebensrate von Lungenkrebs im Stadium IIIA bis IVB beträgt 0 bis 36 %. Daher ist eine frühzeitige Diagnose und Behandlung von Lungenkrebs der Schlüssel zur Verbesserung der 5-Jahres-Überlebensrate von Lungenkrebs und zur Verbesserung der Prognose der Patienten. Allerdings befinden sich die meisten Lungenkrebspatienten bei der Diagnose bereits im Spätstadium und haben die Chance auf eine radikale Behandlung verpasst. Der Hauptgrund liegt darin, dass die primäre und sekundäre Präventionsarbeit nicht ausreichend durchgeführt wird. Es ist notwendig, fortschrittliche Technologien zu entwickeln und sie in die Konsensrichtlinien für eine breite Förderung zu integrieren.

Lungenknötchen sind frühe Manifestationen von Lungenkrebs. Mit der Verbreitung des Thorax-CT-Screenings bei körperlichen Untersuchungen werden bei körperlichen Untersuchungen immer mehr Lungenknötchen gefunden, darunter verschiedene Arten kleiner Knötchen, wie z. B. entzündliche Läsionen, gutartige Tumorläsionen und bösartige Tumorläsionen. Um diese Art von Knötchen zu identifizieren, beurteilen Ärzte häufig die zweidimensionalen Bildgebungsmerkmale von Knötchen auf der Grundlage ihrer persönlichen Erfahrung, wie z. B. den Ebenendurchmesser, ob Grate, Lappen, Verkalkungen und andere Merkmale vorhanden sind, um die Wahrscheinlichkeit einer Lungenmalignität einzuschätzen Knötchen, aber die Genauigkeit der Beurteilung gutartiger und bösartiger Knötchen auf diese Weise hängt eng mit der Erfahrung und dem Dienstalter der Kliniker zusammen, und verschiedene Ärzte haben unterschiedliche Urteile über dieselben Knötchen. Derzeit besteht kein einheitlicher Konsens über die Diagnose- und Behandlungsstrategien von Lungenknötchen, die in mehreren internationalen Konsensrichtlinien empfohlen werden. In Einrichtungen des öffentlichen Gesundheitsmanagements ist die Entwicklung und Umsetzung eines umfassenden Lungenkrebs-Screeningprogramms eine komplexe und herausfordernde Aufgabe. Die Erforschung und der Vorschlag hochempfindlicher und hochspezifischer sowie einfacher, leicht verbreiteter und kostengünstiger Lungenkrebs-Screening-Technologien ist ein unverzichtbarer Bestandteil des Gesundheitssystems. Aufgrund der Inkonsistenz der Leitlinien für die Diagnose und Behandlungsstrategien von Lungenknötchen kommt es in der klinischen Praxis außerdem häufig zu einer Überdiagnose und Behandlung von Lungenknötchen. Der Vermeidung von Überdiagnosen und der Behandlung bedarf mehr Aufmerksamkeit. Daher liegt es in unserer Verantwortung, die Genauigkeit der Vorhersage von Lungenknötchenkrebs aktiv zu verbessern, die Rate von Überdiagnosen und Behandlungen zu reduzieren und die Rate von Frühinterventionen bei Lungenkrebs zu erhöhen. Unter den bestehenden Screening-Methoden für Lungenkrebs im Frühstadium sind Labortests (insbesondere die Verwendung von Blut, Urin oder anderen flüssigen Biopsien) im Vergleich zu bildgebenden oder histopathologischen Untersuchungen eine kostengünstige, nicht-invasive und leicht wiederholbare Früherkennungsmethode, indem sie spezifische Krebsbiomarker wie zirkulierende Tumor-DNA, Proteine, Krebsmetaboliten und sogar aus Zellen stammende Exosomen und zirkulierende Tumorzellen. Allerdings gibt es noch viele Herausforderungen, darunter: 1) Es gibt keine wirksamen und reichlich vorhandenen Tumorbiomarker für Lungenkrebs; 2) Es gibt keine einfache und praktikable Methode zur Krebserkennung, insbesondere im asymptomatischen Stadium. 3) Es gibt keine umfassende Analyseplattform für große Datensätze, um zwischen gesunden und Lungenkrebspopulationen zu unterscheiden.

Raman-Spektroskopie (RS) ist eine nicht-invasive und hochspezifische Technologie zur molekularen Materialdetektion, die auf molekularer Ebene eingesetzt werden kann, um Veränderungen in Biomolekülen, die aus Proteinen, Nukleinsäuren, Lipiden und Zuckern bestehen und mit dem Tumorstoffwechsel in biologischen Proben zusammenhängen, empfindlich zu erkennen. Die auf dieser Technologie basierende oberflächenverstärkte Raman-Spektroskopie (SERS) ist eine der praktikablen Methoden für hochempfindliche biomolekulare Analysetechnologie. Obwohl die SERS-Technologie in zahlreichen präklinischen Studien zu mehreren Tumoren gute diagnostische Wirkungen gezeigt hat, ist sie durch die im Allgemeinen kleine Stichprobengröße und das Fehlen einer externen Verifizierung eingeschränkt. Daher ist es notwendig, klinische Forschung zum Einsatz der Raman-Spektroskopie für die Tumordiagnose durchzuführen, die die folgenden Anforderungen erfüllt: 1. Es sind objektive, schnelle und praktische Datenverarbeitungsmethoden für die Raman-Spektroskopie erforderlich, wobei maschinelle und Deep-Learning-Methoden möglicherweise die besten sind Klassifizierungsmethoden; 2. Für das Training von Deep-Learning-Diagnosemodellen sind multizentrische klinische Proben mit großen Stichproben erforderlich, deren tatsächliche Wirksamkeit durch externe Daten aus prospektiven Studien bestätigt wird.

In unserer vorherigen Studie haben wir Serum-Raman-Spektroskopiedaten von einer Kohorte von 191 Patienten mit Lungenknötchen gesammelt und ein intelligentes Raman-Diagnosesystem für gutartige und bösartige Lungenknötchen basierend auf einem maschinellen Lernmodell entwickelt. Die Genauigkeit dieses intelligenten Diagnosesystems erreichte 89,7 %. Um ein Höchstmaß an klinischer Evidenz zu erhalten und tatsächlich eine klinische Transformation zu erreichen, zielt diese prospektive, multizentrische klinische Studie darauf ab, den Einsatz dieses intelligenten Diagnosesystems für die Frühdiagnose bösartiger Lungenknoten zu überprüfen.