Screening spettrale molecolare del siero basato su SERS per metastasi ematogene

Sebbene la medicina moderna abbia compiuto progressi significativi nella diagnosi e nel trattamento del cancro del polmone, alla maggior parte dei pazienti viene diagnosticata una fase localmente avanzata o con metastasi a distanza, soprattutto negli stadi tardivi in ​​cui il cancro si è diffuso ad altri organi attraverso metastasi ematogene. Ciò non solo aumenta significativamente il tasso di sopravvivenza dei pazienti, ma aumenta anche la complessità e la difficoltà del trattamento. Le metastasi ematogene svolgono un ruolo importante nella progressione clinica del cancro del polmone, i suoi complessi processi biologici rappresentano un'enorme sfida per la gestione clinica. La diagnosi precoce delle metastasi ematogene è difficile e i metodi di imaging tradizionali hanno una sensibilità limitata nel rilevare piccole lesioni metastatiche. La tecnologia emergente delle cellule tumorali circolanti (CTC) è stata limitata nell’applicazione clinica a causa degli elevati costi di rilevamento e dei requisiti tecnici. Pertanto la ricerca e lo sviluppo di tecnologie ad alta sensibilità, alta specificità, semplici, facili da divulgare e a basso costo per prevedere il rischio di cancro polmonare con metastasi ematogene è fondamentale per una diagnosi precoce e un trattamento più preciso. La spettroscopia Raman (RS), una tecnologia di rilevamento molecolare non invasiva e altamente specifica, può rilevare biomolecole come proteine, acidi nucleici, lipidi e zuccheri correlati al metabolismo tumorale in campioni biologici a livello molecolare. La spettroscopia R potenziata dalla superficie (SERS), sviluppata sulla base di questa tecnologia, è uno dei metodi fattibili per l'analisi biomolecolare ad alta sensibilità. Sebbene la tecnologia SERS abbia mostrato risultati diagnostici in numerosi studi preclinici su vari tumori, è limitata da campioni di piccole dimensioni e manca di validazione esterna. Pertanto, sono necessari studi clinici sulla diagnosi della spettroscopia Raman dei tumori, con i seguenti requisiti: 1. Sono necessari metodi di elaborazione dei dati di spettroscopia Raman oggettivi, rapidi e pratici e i metodi di deep learning possono essere i migliori metodi di classificazione; 2. Sono necessari campioni clinici multicentrici e di grandi dimensioni per addestrare modelli diagnostici di deep learning e le prestazioni nel mondo reale dovrebbero essere convalidate attraverso dati esterni provenienti da studi prospettici. Nello studio precedente, i ricercatori hanno raccolto dati di spettroscopia Raman su siero da una coorte di 23 pazienti con neoplasie polmonari e hanno sviluppato un sistema diagnostico Raman intelligente per metastasi ematogene nel cancro polmonare non a piccole cellule (NSCLC) basato su modelli di apprendimento, con un tasso di accuratezza di 95%. Per ottenere il più alto livello di evidenza clinica e raggiungere realmente la traduzione clinica, questo studio clinico prospettico multicentrico mira a convalidare l’uso di questo sistema diagnostico intelligente per la diagnosi precoce delle metastasi ematogene nel NSCLC.