medRxiv来源发表:
术中脑肿瘤分类换掉2018年旧标签：94例儿童病例中85例给出高置信正确诊断
核心概要
面向术中稀疏甲基化谱的中枢神经系统肿瘤分类器 Sturgeon V2 改用近一万份重新标注的甲基化谱训练，不再依赖2018年那套2801份样本的参考集。此前公开的稀疏谱分类器都建立在这套旧参考和旧分类体系上。在94例回顾性儿童术中病例中，V2 高置信正确85例，V1 为78例；在1880次模拟测序中，高置信判读的错误率从7.1%降到2.8%。
正在载入内容…
术中测序只能拿到稀疏的甲基化谱，分类器要在测序尚未完成时给出可用的肿瘤类型判断，Sturgeon V2 把这一步的参考数据从2018年的单一数据集扩展到近一万份样本。 此前公开可用的稀疏谱分类器都只依赖 Capper 等人2018年发布的2801份样本及其分类体系，唯一使用更大更新数据集的 MNP-FLEX 只能通过网页接口使用。 在94例回顾性儿童术中病例中，V2 高置信正确85例、宽泛正确2例、错误1例，V1 分别为78例、3例和2例；在1880次模拟测序中，高置信判读的错误率由7.1%降至2.8%。
不同来源的甲基化谱标注体系互不兼容，V2 用迭代式半监督重标注把它们统一到一套102类的术中分类体系下。 直接在大规模重标注数据上自训练反而使外部纳米孔基准上的 PR-AUC 从0.932降到0.900，说明简单重训不够。 加入两级一致性过滤后，训练集保留9287份样本；再并入 CrossNN 队列中经重标注保留的620份样本，最终训练集为9907份，外部基准 PR-AUC 由0.939升到0.948。
分类器架构改为对10个子模型的平均得分取最高类，并按测序覆盖度分箱校准置信度，以抑制测序过程中预测类别来回跳变。 V1 报告四个子分类器中置信度最高的那个结果，在困难样本上会出现类别翻转，使术中最后一次判读的含义变得不确定。 在24例深度纳米孔测序样本上按663到25000个 CpG 位点做虚拟时间点降采样，V2 在各时间点的召回率为87.9%，错误率低于0.1%。
这套分类器面向术中稀疏甲基化谱，类别粒度按是否改变术中决策来设定，共102类，覆盖脑膜瘤亚型、PATZ 融合神经上皮肿瘤和 PLAGL1/2 扩增胚胎性肿瘤等新增类别。验证包括独立标注的外部纳米孔基准、177份未参与训练的阵列样本降采样、24份深度纳米孔样本、94例回顾性儿童术中病例和1880次模拟测序，另有43例术中脑膜瘤样本用于比较四种脑膜瘤分类方案。软件以非商业用途在本地运行，模型权重公开。
作者指出，朴素的大规模自训练会因确认偏误和低质量样本的硬标注而降低性能，过滤过严又会让分类器只对最清晰的病例有把握。V2 不解析部分更细的分子亚型，包括部分儿童型弥漫性高级别胶质瘤、髓母细胞瘤第3/4组和松果体母细胞瘤，这些场景仍需 Heidelberg 或 Bethesda 等全面分类器补充。在低肿瘤比例样本上，尤其是低纯度的阵列数据，需要谨慎对待；脑膜瘤整合风险评分的直接预测表现明显较差，仅靠甲基化组不足以复现该评分。结果来自回顾性队列与模拟测序，尚需前瞻性验证。