食管鳞状细胞癌（ESCC）的临床管理困境
食管鳞状细胞癌（ESCC）因其起病隐匿，大多数病例确诊时已为晚期，5年生存率不足30%。上消化道内镜检查虽是金标准，但其侵入性、高成本和低检出率使其不适合大规模筛查。传统的血清学生物标志物如癌胚抗原（CEA）和鳞状细胞癌抗原（SCC）对早期诊断的敏感性不足，凸显了对无创、准确、可扩展检测方法的迫切需求。液体活检，特别是针对胞外囊泡（EVs）的分析，因其在循环中丰度高、受降解保护弱、且携带反映实时肿瘤生物学的特异性蛋白货物，成为一个极具前景的替代方案。然而，EVs在ESCC临床应用上面临两大挑战：一是缺乏经过验证的EV蛋白生物标志物，二是缺乏能够在大型队列中可靠检测这些标志物的临床可行的高灵敏度平台。
研究设计与BarFlare高灵敏度平台的建立
本研究分为三个阶段：1）生物标志物发现；2）模型训练与多中心诊断验证；3）在基于人群的筛查和前瞻性纵向队列中进行验证。研究首先开发了新一代分析平台BarFlare，该平台通过复杂的信号放大级联，实现了对目标EV蛋白的高灵敏度检测。经全面验证，BarFlare在检测SCC和基质金属蛋白酶-13（MMP13）时，其检测限（LOD）比传统酶联免疫吸附法（ELISA）分别提高了25倍和31倍，为在临床样本中发现和验证低丰度EV蛋白生物标志物提供了理想工具。
ESCC特异性EV蛋白标志物的识别与验证
利用BarFlare平台，研究团队在生物标志物发现队列中对候选EV蛋白进行了系统性筛选。结合蛋白质组学分析和细胞系验证，首次在ESCC衍生的EVs上发现了SCC蛋白的过表达。通过筛选，确定了包括EV衍生的SCC、MMP13和CEA在内的八个在ESCC患者血清中显著升高的EV蛋白。头对头比较显示，与传统的血清游离形式相比，EV相关的SCC和MMP13具有显著更优的诊断性能，其受试者工作特征曲线下面积（AUC）分别达到0.87和0.85，显著优于血清对应物，这为优先使用EV相关蛋白进行ESCC液体活检提供了明确依据。
构建可解释的机器学习融合预测框架
为最大程度发挥EV蛋白标志物的预测能力，研究构建了一个新颖的多标准决策分类融合（MCF）机器学习框架。该框架整合了确定的EV生物标志物（EV SCC、EV MMP13、EV CEA）、患者基线特征、流行病学风险因素和临床肿瘤标志物。通过结合17种特征选择算法和17种分类器算法，生成了289个基础分类模型。经过性能评估和多标准决策，最终选择了前3个表现最佳的模型（GradientBoost、XGBoost、AdaBoost）进行融合，构成了最终的MCF模型。该模型包含五个关键变量：EV SCC、EV MMP13、年龄、血清SCC和性别。为提高临床可信度，研究使用了SHAP可解释性人工智能（AI）技术对模型的预测和特征交互进行了解释，确认EV SCC是最具影响力的特征，确保了模型的透明性。
模型在诊断与前瞻性预测中的卓越表现
在包含855名参与者的多中心临床队列中，MCF框架显示出卓越的诊断性能。在内部测试集和两个独立外部验证队列中，其区分ESCC患者与健康对照的AUC值分别为0.987、0.926和0.960，且对早期（0期和I期）ESCC的检测也同样高效。更重要的是，在基于人群的前瞻性验证中，该模型成功识别出了未来会发展为ESCC的个体。在Sihui–Zhongshan前瞻性纵向队列中，利用基线血液样本，模型在临床确诊前中位34.9个月（范围0.4-72.5个月）就能识别出高危个体，AUC为0.864。动态分析进一步揭示，MCF风险评分随着临床诊断的临近而进行性升高，并与更短的临床发病时间间隔显著相关，而传统的血清SCC则未能表现出这种相关性或预测能力。
研究意义与展望
这项大规模、前瞻性、多中心研究首次证明，结合新型EV蛋白生物标志物和可解释AI框架的血液检测，能够在临床确诊前近三年识别出未来会患ESCC的个体。研究不仅解决了ESCC早期诊断工具缺乏的临床需求，也展现了BarFlare平台和MCF框架在无创风险分层筛查中的巨大潜力。尽管研究存在一些局限性，如BarFlare平台通量需提升、标准化要求高等，但通过提供一个公开可用的在线风险计算工具，该研究为后续的临床评估和推广应用铺平了道路。这项研究为ESCC的早期检测和干预提供了一个强大的、无创的解决方案，有望改变其筛查和临床管理范式。
