拓冰网站定制 
胃癌和结直肠癌的筛查难点很现实内镜准确但侵入性强、资源消耗大血清标志物方便但早期敏感性有限粪便检测适合部分场景却很难同时覆盖胃癌和结直肠癌。这篇文章提出的思路是用血液cfDNA甲基化做一个双模型体系先用SPOGIT判断是否存在胃肠道肿瘤信号再用CSO判断信号更可能来自胃癌还是结直肠癌从而指导后续胃镜或肠镜。这篇文章的核心问题不是“液体活检能不能发现癌症”而是能不能在早期癌和癌前病变阶段就用一管血完成可行动的筛查分流。先看结论SPOGIT/CSO用311个诊断DMR 230个组织来源DMR构建血液cfDNA甲基化双模型在外部验证中实现88.1%癌症敏感性、91.2%特异性并对高级别腺瘤和胃癌前病变显示拦截潜力。文献信息项目内容标题Clinical validation of a multi-model blood cfDNA methylation assay for early-stage gastrointestinal cancer screening中文理解本文基于公共组织甲基化数据和血浆cfDNA靶向甲基化测序构建SPOGIT/CSO双模型实现胃癌、结直肠癌及其癌前病变的血液早筛和肿瘤来源定位。期刊J. Adv. Res.发表时间2025-10-24研究方向cfDNA甲基化、胃肠道肿瘤早筛、机器学习、液体活检、癌前病变拦截核心资源/队列TCGA和GEO组织甲基化数据多中心血浆cfDNA队列CRC、GC、正常对照、AA、普通息肉和胃癌前病变样本样本量/数据规模共分析321例CRC、258例GC、204例正常、230例AA、79例普通息肉、85例高风险preGC和186例低风险preGC外部验证含386例癌症、113例对照和580例癌前病变核心方法靶向甲基化测序、Twist探针、DMR筛选、LASSO、12种机器学习模型、加权集成、SPOGIT诊断模型、CSO肿瘤来源模型、拦截模拟模型DOI10.1016/j.jare.2025.10.038PMID/PMCIDPMID: 41201494PMCID: PMC13316549数据/代码数据可向通讯作者合理申请未报告公开代码这篇文章解决了什么问题胃肠道肿瘤早筛的理想工具需要同时满足几个条件创伤小、依从性高、能发现早期癌、最好还能捕捉癌前病变并且在阳性后能告诉医生下一步该做胃镜还是肠镜。传统血清标志物如CEA、CA19-9对早期病变敏感性有限粪便检测更偏向结直肠癌筛查对胃癌覆盖不足。本文因此把目标放在血液cfDNA甲基化上并设计了两个互补模型SPOGIT负责判断“有没有胃肠道肿瘤信号”CSO负责判断“信号来自胃还是结直肠”。这篇文章比较实用的地方是没有只停留在AUC展示而是进一步设计了临床分流流程和拦截模型去估计早筛可能带来的分期迁移和生存获益。文章摘要胃肠道癌症是癌症相关死亡的重要原因晚期发现是影响生存的关键因素。本文开发并验证了一种基于血液cfDNA甲基化的双模型检测体系SPOGIT/CSO用于胃癌、结直肠癌及其癌前病变的早期筛查。研究首先整合TCGA和GEO组织甲基化数据再结合Twist探针覆盖超过400万个CpG位点的血浆cfDNA靶向甲基化测序筛选胃肠道癌症相关DMR。作者构建了含311个DMR的SPOGIT诊断面板并通过Logistic Regression、Transformer、MLP、Random Forest、SGD和SVC等多模型加权集成提升早癌和癌前病变检测能力。外部验证中SPOGIT检测胃肠道癌症的敏感性为88.1%特异性为91.2%对0-II期早期癌的敏感性为83.1%。模型还可检测高级别腺瘤和胃癌前病变AA敏感性为56.5%高风险preGC最高达62.4%。CSO模型进一步基于230个组织来源DMR预测肿瘤来源在外部验证中对CRC和GC的准确率分别为83%和71%。拦截模拟提示SPOGIT/CSO可能显著减少晚期诊断并使5年生存率提高27.02%-30.47%。分析策略先找甲基化标志物从TCGA/GEO组织甲基化数据和血浆cfDNA测序中筛选CRC/GC相关差异甲基化区域。再做双面板设计311个DMR用于SPOGIT癌症信号检测230个DMR用于CSO肿瘤来源定位。再做多模型集成比较12种机器学习算法并组合表现最优的模型以兼顾癌症和癌前病变。最后模拟临床获益通过拦截模型估计筛查带来的晚期诊断下降、分期迁移和5年生存率提升。材料与方法模块内容研究设计多中心、回顾性、病例-对照研究包含面板设计、训练验证和独立外部验证三个阶段研究对象CRC、GC、正常对照、高级别腺瘤、普通息肉、高风险和低风险胃癌前病变人群样本采集治疗前采集外周血EDTA-K2管双步离心分离血浆cfDNA提取后进行质控测序平台Twist Human Methylome Panel或Twist定制甲基化面板Illumina NovaSeq 6000/HiSeq X TenPE150目标平均深度1000×甲基化处理bcl2fastq、Bismark/Bowtie2比对、甲基化位点识别、Wilcoxon或配对t检验筛选DMS/DMRSPOGIT模型基于311个诊断DMR比较12种机器学习算法并进行加权集成用于胃肠道肿瘤信号检测CSO模型基于230个组织来源DMR使用Logistic回归预测CRC或GC信号来源阳性后指导胃镜或肠镜分流统计分析ROC/AUC、Clopper-Pearson置信区间、DCA决策曲线、t-SNE、ComplexHeatmap、拦截模拟模型研究结果多中心队列和双模型框架构成SPOGIT/CSO检测体系研究共分析321例结直肠癌、258例胃癌、204例正常对照、230例高级别腺瘤、79例普通息肉、85例高风险胃癌前病变和186例低风险胃癌前病变。训练和验证阶段使用同一时期样本独立外部验证使用另一时期多中心样本。整体设计包含两个层次SPOGIT用于判断是否存在胃肠道肿瘤信号CSO用于在SPOGIT阳性后预测肿瘤来源。作者先利用TCGA和GEO的胃肠道肿瘤组织甲基化数据识别癌症特异和组织特异CpG位点再结合血浆cfDNA测序数据构建面板。这个设计的临床逻辑很直接一管血先回答“有没有风险”再回答“应该优先做胃镜还是肠镜”。12种机器学习模型显示癌症和癌前病变检测能力不同基于311个胃肠道癌症诊断DMR作者比较了12种机器学习算法包括AdaBoost、GaussianProcess、GradientBoosting、KNeighbors、Logistic Regression、MLP、Random Forest、SGD、SVC、XGB、Transformer和pretrainTransformer。不同模型在癌症和癌前病变检测上的优势并不一致。Logistic Regression对胃肠道癌症检测表现最好AUC为0.95MLP和Transformer紧随其后AUC均为0.93。但部分模型虽然更擅长癌症检测对癌前病变并不一定敏感而Transformer等模型在癌前病变识别上更有优势。因此作者没有选择单一模型而是将表现最好的模型进行加权集成形成最终SPOGIT模型。这个处理比较符合早筛任务特点早筛不仅要抓癌症还要尽量抓住可干预的癌前病变。SPOGIT在外部验证中实现较高癌症敏感性和特异性在训练和验证集中胃癌和结直肠癌样本的甲基化评分显著高于正常对照。验证集中SPOGIT区分GC、CRC和总体GI癌的AUC分别为0.963、0.966和0.964外部验证中GC、CRC和GI癌AUC分别为0.951、0.939和0.944。在外部验证队列中SPOGIT检测胃肠道癌症的敏感性为88.1%特异性为91.2%。对于0-II期早期癌模型敏感性达到83.1%。更重要的是SPOGIT评分随病理进展逐步升高结直肠方向呈现CRC 0-II AA 普通息肉 正常胃方向呈现GC 0-II 高风险preGC 低风险preGC 正常。与传统血清标志物相比SPOGIT的AUC为0.944明显高于CEA、CA125和CA19-9等指标的0.569-0.818。DCA也提示其在临床相关阈值范围内具有更高净获益。CSO模型可进一步判断癌症信号来源对于多癌种或多部位早筛阳性结果如果不能定位来源会给后续检查带来不确定性。本文因此构建了CSO模型使用230个组织来源DMR判断阳性信号更可能来自胃癌还是结直肠癌。在训练、验证和外部独立验证队列中CSO对CRC来源预测准确率分别为100%、100%和83%对GC来源预测准确率分别为100%、83%和71%。GC外部验证准确率下降作者认为可能与队列中存在印戒细胞癌及其他低分化癌等高度异质样本有关。CSO的价值在于把SPOGIT的“癌症信号阳性”转化为可执行路径如果预测更偏向CRC优先转诊肠镜如果预测更偏向GC则优先转诊胃镜。SPOGIT/CSO形成面向筛查的临床工作流作者提出的临床流程是40-75岁适龄人群采集血液样本先进入SPOGIT模型分析。SPOGIT阴性者继续常规筛查SPOGIT阳性者继续使用同一份甲基化数据进入CSO模型预测肿瘤来源并指导后续胃镜或肠镜检查。这个流程的优势是把检测、定位和临床行动连接起来。对于资源有限地区直接让所有人进行胃肠镜并不现实而血液筛查阳性后再进行靶向内镜检查更接近可推广的分层筛查模式。SPOGIT/CSO真正想解决的不是单次检测准确率而是如何把液体活检结果转化成明确的临床转诊路径。拦截模型提示SPOGIT/CSO可能带来分期迁移和生存获益为了评估潜在临床影响作者构建拦截模型结合中国胃肠道癌症发病率、分期分布、5年生存率和不同肿瘤生长速度场景模拟SPOGIT/CSO筛查可能带来的分期迁移。在常规诊疗下57.1%的胃肠道癌症预计会在III/IV期被诊断SPOGIT/CSO筛查后这一比例可下降到4.4%。对于常规路径下原本会在晚期诊断的患者模型预计有92%-100%可被提前至I/II期发现从II-IV期迁移至I期的比例为82%-99%。对应地胃肠道癌症5年生存率从60.15%提高到87.18%-90.63%提升幅度为27.02%-30.47%。模拟还显示筛查参与率越高晚期诊断和癌症死亡下降越明显。生信/AI/临床视角解读方法借鉴这篇文章不是简单训练一个二分类模型而是把“标志物发现、癌症信号检测、组织来源定位、临床分流和生存获益模拟”做成了完整链条。做液体活检早筛时这种从模型到临床路径的设计比单纯报告AUC更有价值。AI建模启发不同算法对癌症和癌前病变的识别能力不同说明早筛任务不能只优化癌症AUC。SPOGIT通过多模型加权集成试图同时兼顾癌症敏感性、癌前病变敏感性和特异性这一点适合迁移到肺癌、肝癌、胰腺癌等早筛模型设计中。临床落点SPOGIT/CSO的场景不是替代胃镜和肠镜而是作为前置分层工具帮助决定谁更需要内镜、应该优先做哪一种内镜。对于低资源地区或内镜资源紧张场景这类血液筛查可能更容易提高人群覆盖率。注意边界这仍是回顾性病例-对照和外部验证研究真实筛查人群中的阳性预测值、依从性、成本效益、过度诊断和长期结局还需要前瞻性队列或随机研究进一步验证。拦截模型给出的是潜在获益估计不等同于已经证实的真实世界生存获益。总结这篇文章提出了一个面向胃肠道肿瘤早筛的血液cfDNA甲基化双模型体系。SPOGIT用311个DMR和多算法集成判断胃肠道肿瘤信号CSO用230个组织来源DMR进一步定位胃癌或结直肠癌来源。外部验证显示其在癌症、早期癌和部分癌前病变检测中具有较好表现并通过拦截模型提示可能带来显著分期迁移和生存率提升。更准确地说SPOGIT/CSO的价值在于把血液cfDNA甲基化早筛从“发现癌症信号”推进到“判断来源、指导内镜、模拟拦截获益”的临床决策链条。参考文献Zhu L, Lin S, Xu J, Yu J, Men F, Yu D, Ma X, Tian J, Xie H, Duan L, Wang X, Sun S, Li C, Li S, Kang Q, Jia M, Lin X, Lin Q, Lin L, Yi X, Wang R, Guo W, Gong X, Sheng J, Guo N, Lan S, Jin P, He Y. Clinical validation of a multi-model blood cfDNA methylation assay for early-stage gastrointestinal cancer screening.J. Adv. Res.2025;85:389.PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC13316549/PubMed: https://pubmed.ncbi.nlm.nih.gov/41201494/DOI: https://doi.org/10.1016/j.jare.2025.10.038GEO参考数据: GSE139404、GSE48684、GSE103186 J. Adv. Res. | 血液cfDNA甲基化双模型实现胃肠道早癌和癌前病变筛查
胃癌和结直肠癌的筛查难点很现实内镜准确但侵入性强、资源消耗大血清标志物方便但早期敏感性有限粪便检测适合部分场景却很难同时覆盖胃癌和结直肠癌。这篇文章提出的思路是用血液cfDNA甲基化做一个双模型体系先用SPOGIT判断是否存在胃肠道肿瘤信号再用CSO判断信号更可能来自胃癌还是结直肠癌从而指导后续胃镜或肠镜。这篇文章的核心问题不是“液体活检能不能发现癌症”而是能不能在早期癌和癌前病变阶段就用一管血完成可行动的筛查分流。先看结论SPOGIT/CSO用311个诊断DMR 230个组织来源DMR构建血液cfDNA甲基化双模型在外部验证中实现88.1%癌症敏感性、91.2%特异性并对高级别腺瘤和胃癌前病变显示拦截潜力。文献信息项目内容标题Clinical validation of a multi-model blood cfDNA methylation assay for early-stage gastrointestinal cancer screening中文理解本文基于公共组织甲基化数据和血浆cfDNA靶向甲基化测序构建SPOGIT/CSO双模型实现胃癌、结直肠癌及其癌前病变的血液早筛和肿瘤来源定位。期刊J. Adv. Res.发表时间2025-10-24研究方向cfDNA甲基化、胃肠道肿瘤早筛、机器学习、液体活检、癌前病变拦截核心资源/队列TCGA和GEO组织甲基化数据多中心血浆cfDNA队列CRC、GC、正常对照、AA、普通息肉和胃癌前病变样本样本量/数据规模共分析321例CRC、258例GC、204例正常、230例AA、79例普通息肉、85例高风险preGC和186例低风险preGC外部验证含386例癌症、113例对照和580例癌前病变核心方法靶向甲基化测序、Twist探针、DMR筛选、LASSO、12种机器学习模型、加权集成、SPOGIT诊断模型、CSO肿瘤来源模型、拦截模拟模型DOI10.1016/j.jare.2025.10.038PMID/PMCIDPMID: 41201494PMCID: PMC13316549数据/代码数据可向通讯作者合理申请未报告公开代码这篇文章解决了什么问题胃肠道肿瘤早筛的理想工具需要同时满足几个条件创伤小、依从性高、能发现早期癌、最好还能捕捉癌前病变并且在阳性后能告诉医生下一步该做胃镜还是肠镜。传统血清标志物如CEA、CA19-9对早期病变敏感性有限粪便检测更偏向结直肠癌筛查对胃癌覆盖不足。本文因此把目标放在血液cfDNA甲基化上并设计了两个互补模型SPOGIT负责判断“有没有胃肠道肿瘤信号”CSO负责判断“信号来自胃还是结直肠”。这篇文章比较实用的地方是没有只停留在AUC展示而是进一步设计了临床分流流程和拦截模型去估计早筛可能带来的分期迁移和生存获益。文章摘要胃肠道癌症是癌症相关死亡的重要原因晚期发现是影响生存的关键因素。本文开发并验证了一种基于血液cfDNA甲基化的双模型检测体系SPOGIT/CSO用于胃癌、结直肠癌及其癌前病变的早期筛查。研究首先整合TCGA和GEO组织甲基化数据再结合Twist探针覆盖超过400万个CpG位点的血浆cfDNA靶向甲基化测序筛选胃肠道癌症相关DMR。作者构建了含311个DMR的SPOGIT诊断面板并通过Logistic Regression、Transformer、MLP、Random Forest、SGD和SVC等多模型加权集成提升早癌和癌前病变检测能力。外部验证中SPOGIT检测胃肠道癌症的敏感性为88.1%特异性为91.2%对0-II期早期癌的敏感性为83.1%。模型还可检测高级别腺瘤和胃癌前病变AA敏感性为56.5%高风险preGC最高达62.4%。CSO模型进一步基于230个组织来源DMR预测肿瘤来源在外部验证中对CRC和GC的准确率分别为83%和71%。拦截模拟提示SPOGIT/CSO可能显著减少晚期诊断并使5年生存率提高27.02%-30.47%。分析策略先找甲基化标志物从TCGA/GEO组织甲基化数据和血浆cfDNA测序中筛选CRC/GC相关差异甲基化区域。再做双面板设计311个DMR用于SPOGIT癌症信号检测230个DMR用于CSO肿瘤来源定位。再做多模型集成比较12种机器学习算法并组合表现最优的模型以兼顾癌症和癌前病变。最后模拟临床获益通过拦截模型估计筛查带来的晚期诊断下降、分期迁移和5年生存率提升。材料与方法模块内容研究设计多中心、回顾性、病例-对照研究包含面板设计、训练验证和独立外部验证三个阶段研究对象CRC、GC、正常对照、高级别腺瘤、普通息肉、高风险和低风险胃癌前病变人群样本采集治疗前采集外周血EDTA-K2管双步离心分离血浆cfDNA提取后进行质控测序平台Twist Human Methylome Panel或Twist定制甲基化面板Illumina NovaSeq 6000/HiSeq X TenPE150目标平均深度1000×甲基化处理bcl2fastq、Bismark/Bowtie2比对、甲基化位点识别、Wilcoxon或配对t检验筛选DMS/DMRSPOGIT模型基于311个诊断DMR比较12种机器学习算法并进行加权集成用于胃肠道肿瘤信号检测CSO模型基于230个组织来源DMR使用Logistic回归预测CRC或GC信号来源阳性后指导胃镜或肠镜分流统计分析ROC/AUC、Clopper-Pearson置信区间、DCA决策曲线、t-SNE、ComplexHeatmap、拦截模拟模型研究结果多中心队列和双模型框架构成SPOGIT/CSO检测体系研究共分析321例结直肠癌、258例胃癌、204例正常对照、230例高级别腺瘤、79例普通息肉、85例高风险胃癌前病变和186例低风险胃癌前病变。训练和验证阶段使用同一时期样本独立外部验证使用另一时期多中心样本。整体设计包含两个层次SPOGIT用于判断是否存在胃肠道肿瘤信号CSO用于在SPOGIT阳性后预测肿瘤来源。作者先利用TCGA和GEO的胃肠道肿瘤组织甲基化数据识别癌症特异和组织特异CpG位点再结合血浆cfDNA测序数据构建面板。这个设计的临床逻辑很直接一管血先回答“有没有风险”再回答“应该优先做胃镜还是肠镜”。12种机器学习模型显示癌症和癌前病变检测能力不同基于311个胃肠道癌症诊断DMR作者比较了12种机器学习算法包括AdaBoost、GaussianProcess、GradientBoosting、KNeighbors、Logistic Regression、MLP、Random Forest、SGD、SVC、XGB、Transformer和pretrainTransformer。不同模型在癌症和癌前病变检测上的优势并不一致。Logistic Regression对胃肠道癌症检测表现最好AUC为0.95MLP和Transformer紧随其后AUC均为0.93。但部分模型虽然更擅长癌症检测对癌前病变并不一定敏感而Transformer等模型在癌前病变识别上更有优势。因此作者没有选择单一模型而是将表现最好的模型进行加权集成形成最终SPOGIT模型。这个处理比较符合早筛任务特点早筛不仅要抓癌症还要尽量抓住可干预的癌前病变。SPOGIT在外部验证中实现较高癌症敏感性和特异性在训练和验证集中胃癌和结直肠癌样本的甲基化评分显著高于正常对照。验证集中SPOGIT区分GC、CRC和总体GI癌的AUC分别为0.963、0.966和0.964外部验证中GC、CRC和GI癌AUC分别为0.951、0.939和0.944。在外部验证队列中SPOGIT检测胃肠道癌症的敏感性为88.1%特异性为91.2%。对于0-II期早期癌模型敏感性达到83.1%。更重要的是SPOGIT评分随病理进展逐步升高结直肠方向呈现CRC 0-II AA 普通息肉 正常胃方向呈现GC 0-II 高风险preGC 低风险preGC 正常。与传统血清标志物相比SPOGIT的AUC为0.944明显高于CEA、CA125和CA19-9等指标的0.569-0.818。DCA也提示其在临床相关阈值范围内具有更高净获益。CSO模型可进一步判断癌症信号来源对于多癌种或多部位早筛阳性结果如果不能定位来源会给后续检查带来不确定性。本文因此构建了CSO模型使用230个组织来源DMR判断阳性信号更可能来自胃癌还是结直肠癌。在训练、验证和外部独立验证队列中CSO对CRC来源预测准确率分别为100%、100%和83%对GC来源预测准确率分别为100%、83%和71%。GC外部验证准确率下降作者认为可能与队列中存在印戒细胞癌及其他低分化癌等高度异质样本有关。CSO的价值在于把SPOGIT的“癌症信号阳性”转化为可执行路径如果预测更偏向CRC优先转诊肠镜如果预测更偏向GC则优先转诊胃镜。SPOGIT/CSO形成面向筛查的临床工作流作者提出的临床流程是40-75岁适龄人群采集血液样本先进入SPOGIT模型分析。SPOGIT阴性者继续常规筛查SPOGIT阳性者继续使用同一份甲基化数据进入CSO模型预测肿瘤来源并指导后续胃镜或肠镜检查。这个流程的优势是把检测、定位和临床行动连接起来。对于资源有限地区直接让所有人进行胃肠镜并不现实而血液筛查阳性后再进行靶向内镜检查更接近可推广的分层筛查模式。SPOGIT/CSO真正想解决的不是单次检测准确率而是如何把液体活检结果转化成明确的临床转诊路径。拦截模型提示SPOGIT/CSO可能带来分期迁移和生存获益为了评估潜在临床影响作者构建拦截模型结合中国胃肠道癌症发病率、分期分布、5年生存率和不同肿瘤生长速度场景模拟SPOGIT/CSO筛查可能带来的分期迁移。在常规诊疗下57.1%的胃肠道癌症预计会在III/IV期被诊断SPOGIT/CSO筛查后这一比例可下降到4.4%。对于常规路径下原本会在晚期诊断的患者模型预计有92%-100%可被提前至I/II期发现从II-IV期迁移至I期的比例为82%-99%。对应地胃肠道癌症5年生存率从60.15%提高到87.18%-90.63%提升幅度为27.02%-30.47%。模拟还显示筛查参与率越高晚期诊断和癌症死亡下降越明显。生信/AI/临床视角解读方法借鉴这篇文章不是简单训练一个二分类模型而是把“标志物发现、癌症信号检测、组织来源定位、临床分流和生存获益模拟”做成了完整链条。做液体活检早筛时这种从模型到临床路径的设计比单纯报告AUC更有价值。AI建模启发不同算法对癌症和癌前病变的识别能力不同说明早筛任务不能只优化癌症AUC。SPOGIT通过多模型加权集成试图同时兼顾癌症敏感性、癌前病变敏感性和特异性这一点适合迁移到肺癌、肝癌、胰腺癌等早筛模型设计中。临床落点SPOGIT/CSO的场景不是替代胃镜和肠镜而是作为前置分层工具帮助决定谁更需要内镜、应该优先做哪一种内镜。对于低资源地区或内镜资源紧张场景这类血液筛查可能更容易提高人群覆盖率。注意边界这仍是回顾性病例-对照和外部验证研究真实筛查人群中的阳性预测值、依从性、成本效益、过度诊断和长期结局还需要前瞻性队列或随机研究进一步验证。拦截模型给出的是潜在获益估计不等同于已经证实的真实世界生存获益。总结这篇文章提出了一个面向胃肠道肿瘤早筛的血液cfDNA甲基化双模型体系。SPOGIT用311个DMR和多算法集成判断胃肠道肿瘤信号CSO用230个组织来源DMR进一步定位胃癌或结直肠癌来源。外部验证显示其在癌症、早期癌和部分癌前病变检测中具有较好表现并通过拦截模型提示可能带来显著分期迁移和生存率提升。更准确地说SPOGIT/CSO的价值在于把血液cfDNA甲基化早筛从“发现癌症信号”推进到“判断来源、指导内镜、模拟拦截获益”的临床决策链条。参考文献Zhu L, Lin S, Xu J, Yu J, Men F, Yu D, Ma X, Tian J, Xie H, Duan L, Wang X, Sun S, Li C, Li S, Kang Q, Jia M, Lin X, Lin Q, Lin L, Yi X, Wang R, Guo W, Gong X, Sheng J, Guo N, Lan S, Jin P, He Y. Clinical validation of a multi-model blood cfDNA methylation assay for early-stage gastrointestinal cancer screening.J. Adv. Res.2025;85:389.PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC13316549/PubMed: https://pubmed.ncbi.nlm.nih.gov/41201494/DOI: https://doi.org/10.1016/j.jare.2025.10.038GEO参考数据: GSE139404、GSE48684、GSE103186