Рак легкого остается одной из ведущих причин онкологической смертности в мире. Из-за отсутствия специфических симптомов на ранних стадиях большинство пациентов диагностируются на поздних этапах, что подчеркивает потребность в надежных неинвазивных стратегиях раннего выявления помимо инвазивной биопсии и неспецифичных методов визуализации.

Исследователи интегрировали сывороточную протеомику с мультиалгоритмическим машинным обучением для создания рабочего процесса ранней диагностики рака легкого на основе искусственного интеллекта. Образцы сыворотки от 774 участников были проанализированы с использованием MALDI-TOF масс-спектрометрии для генерации пептидомных профилей. После предобработки и нормализации данных применялись восемь алгоритмов машинного обучения для построения моделей, производительность которых систематически оценивалась с помощью ROC-кривых.

Большинство моделей машинного обучения продемонстрировали высокую диагностическую эффективность на независимых тестовых наборах. Комбинируя анализ значимости признаков, SHAP (Shapley additive explanations) и LIME (local interpretable model-agnostic explanations), авторы идентифицировали девять пептидных пиков, ассоциированных с раком легкого. Многомерные модели на основе этих пептидных сигнатур достигли AUC, приближающихся к 1, значительно превосходя единичные маркеры из базы данных PRIDE. Кандидатные белки были дополнительно валидированы путем интегративного транскриптомного и протеомного анализа, подтверждающего их биологическую релевантность.

Полученные данные указывают, что сывороточная протеомика в сочетании с мультиалгоритмическим машинным обучением обеспечивает точную и неинвазивную раннюю диагностику рака легкого, предоставляя перспективную платформу для клинического внедрения.