一种双轴标志物联合检测胰腺疾病分类方法及系统与流程

本发明涉及生物医学检测，具体涉及胰腺疾病的生物标志物联合检测与风险评估，尤其涉及一种基于双轴生物标志物联合检测的胰腺疾病分类方法、系统及试剂盒。

背景技术：

1、胰腺导管腺癌（pancreatic ductal adenocarcinoma, pdac）是消化系统中恶性程度最高的肿瘤之一，其临床特点表现为发病隐匿且进展迅速。由于胰腺位于腹膜后深部解剖位置，早期肿瘤往往缺乏特异性临床症状，导致患者在疾病早期阶段难以被及时发现。胰腺癌的早期症状通常不典型，可能仅表现为轻微腹痛、消化不良、体重下降或非特异性乏力等表现，这些症状容易与慢性胃炎、胰腺炎或胆道系统疾病混淆，从而延误临床发现时机。

2、目前临床常用的肿瘤标志物如ca19-9在胰腺癌早期阶段的敏感性有限，并且在胆道梗阻、胰腺炎以及其他炎症性疾病中亦可出现非特异性升高，进一步降低了其在早期筛查中的应用价值。由于缺乏高特异性和高敏感性的早期筛查手段，大多数胰腺癌患者在确诊时已处于局部晚期或发生远处转移，导致手术切除机会显著降低。统计数据显示，胰腺癌患者的整体5年生存率低于15%，其中能够在早期阶段（i期或ii期）被发现的比例极低，显著影响患者的长期生存预后。

3、现有技术中存在的胰腺疾病相关检测方法主要包括以下几类：

4、（一）ca19-9相关检测方法

5、目前临床上常用的肿瘤标志物ca19-9在胰腺癌的辅助检测中具有一定应用价值，但其特异性不足，在多种非肿瘤性疾病中亦可出现升高。例如，在胰腺炎、胆道梗阻、胆管炎以及其他炎症或梗阻性疾病状态下，ca19-9水平均可能明显升高，从而导致假阳性结果增加。此外，ca19-9在胰腺癌早期阶段的敏感性有限，尤其在肿瘤负荷较低或尚未发生明显浸润转移时，难以有效实现早期筛查目的。因此，ca19-9单独用于胰腺癌筛查或胰腺炎鉴别检测时，整体分析性能仍存在明显局限。

6、（二）reg家族蛋白检测方法

7、reg家族蛋白包括reg1a、reg1b及reg3a等成员，该类蛋白主要参与胰腺组织损伤后的再生与修复过程，在胰腺炎及胰腺组织应激状态下表达水平升高。然而，reg家族蛋白的表达升高主要反映胰腺局部损伤及再生反应，其变化并不具有明确的肿瘤特异性。在胰腺癌与胰腺炎等不同病理状态下，reg家族蛋白均可能出现不同程度升高或波动，因此难以单独用于有效区分肿瘤性病变与炎症性病变。

8、（三）泛癌标志物检测方法

9、目前部分研究及临床应用中使用的泛癌相关标志物包括gdf-15、timp1及spp1等，这些标志物在多种肿瘤类型及系统性疾病中均可出现升高。该类标志物主要反映机体的肿瘤相关应激状态、炎症反应或代谢紊乱状态，但其表达变化缺乏明确的器官来源特异性。因此，泛癌标志物虽然具有较好的肿瘤敏感性，但在胰腺癌与其他炎症性疾病或不同器官来源肿瘤之间的鉴别检测中，其单独应用仍存在特异性不足的问题。

10、（四）现有技术的缺陷与技术瓶颈

11、综上所述，现有技术普遍存在以下技术瓶颈：

12、目前尚缺乏一种能够同时反映“系统性肿瘤应激信号”与“胰腺局部损伤及再生信号”的结构化联合分析模型。现有检测方法多基于单一标志物或同一生物学通路的多指标组合，难以有效刻画不同疾病状态下系统性与局部性生物学信号之间的差异关系。

13、因此，现有技术无法实现对胰腺癌与胰腺炎等疾病在早期阶段的高特异性、高敏感性及机制层面的准确分类。进一步地，缺乏基于多轴生物标志物融合分析的定量化风险评分模型，也限制了其在临床分层筛查与风险评估中的应用价值。

14、因此，临床上亟需一种能够在疾病早期阶段实现高灵敏度检测，同时能够有效区分胰腺癌与胰腺炎等炎症性疾病的多维度生物标志物联合检测方法及评估体系。

技术实现思路

1、本发明的目的在于提供一种双轴标志物联合检测胰腺疾病分类方法及系统，解决现有的问题。

2、为解决上述技术问题，本发明是通过以下技术方案实现的：

3、本发明提供一种基于多生物标志物联合分析的胰腺疾病分类方法，其核心在于构建双轴分析框架（dual-axis analytical framework），该框架包括pan-cancer axis（泛癌轴/系统性肿瘤轴）和pancreatic axis（胰腺特异轴）。通过对上述两个生物学信息轴进行定量检测、标准化处理及数学建模，实现对胰腺癌、胰腺炎及相关疾病状态的分类与风险评估。

4、（一）生物标志物体系

5、所述pan-cancer axis（系统性肿瘤轴）包括至少一种泛癌相关生物标志物，用于反映机体系统性肿瘤应激状态或肿瘤相关代谢改变。所述泛癌相关生物标志物包括但不限于：gdf-15、timp1、spp1。

6、所述pancreatic axis（胰腺特异轴）包括至少一种胰腺相关生物标志物，用于反映胰腺局部组织损伤、炎症反应或再生修复过程。所述胰腺相关生物标志物包括但不限于：reg3a、reg1b、ca19-9。

7、在本发明的一种优选实施方式中，所述生物标志物包括gdf-15、timp1、spp1、reg3a、reg1b和ca19-9全部六种。

8、（二）样本体系

9、本发明所述检测方法适用于多种生物样本，包括但不限于：血清、血浆、全血、尿液、唾液及其他体液样本。

10、（三）检测方法学

11、所述生物标志物的检测方法不限于以下任意一种或组合方式：化学发光免疫分析（clia）、荧光免疫分析（fia）、时间分辨荧光免疫分析（trfia）、免疫层析检测（poct）（包括胶体金法或荧光微球法，用于快速检测或现场筛查）。

12、（四）双轴分析模型

13、本发明的核心创新在于构建一种双轴生物标志物分析模型，用于从不同生物学来源对胰腺疾病状态进行多维度解析。

14、该双轴模型包括：

15、（1）pan-cancer axis（系统性肿瘤轴）：用于反映机体整体层面的肿瘤相关生物学变化，其变化主要包括肿瘤相关应激反应、肿瘤负荷变化以及潜在转移倾向等系统性病理过程。在一种优选实施方式中，所述系统性肿瘤轴由至少一种泛癌相关生物标志物构成，优选地包括gdf-15、timp1、spp1中的一种或多种。

16、（2）pancreatic axis（胰腺特异轴）：用于反映胰腺局部组织水平的病理变化，其变化主要包括胰腺实质损伤、炎症反应、细胞再生修复及局部微环境改变等生物学过程。在一种优选实施方式中，所述胰腺特异轴由至少一种胰腺相关生物标志物构成，优选地包括reg3a、reg1b、ca19-9中的一种或多种。

17、（五）双轴融合机制

18、本发明进一步提供一种双轴融合分析机制，用于将系统性肿瘤信号与胰腺局部损伤信号进行数学整合，从而提高胰腺癌与胰腺炎的区分能力。

19、与现有技术中先分别计算各轴评分、再进行二次加权求和的两步式融合方式不同，本发明采用一步式联合建模策略：将来自系统性肿瘤轴的标志物（gdf-15、timp1、spp1）与来自胰腺特异轴的标志物（reg3a、reg1b、ca19-9）作为联合输入特征，通过logistic回归模型直接学习各标志物对疾病结局的贡献权重。该方式的优势在于：（1）能够充分考虑轴间标志物的交互效应；（2）通过最大似然估计自动优化权重分配，避免人为设定权重的主观性；（3）数学上更严谨，分类性能更优。

20、该融合机制的数学表达为：

21、其中，至来自系统性肿瘤轴（gdf-15、timp1、spp1），至来自胰腺特异轴（reg3a、reg1b、ca19-9）。

22、（六）算法模型

23、本发明采用logistic regression模型作为核心预测模型。输入变量由多种生物标志物检测结果构成，形成多维特征向量：

24、 其中：gdf-15，timp1，spp1，reg3a，reg1b，ca19-9。

25、logistic regression模型的数学表达如下：

26、其中：

27、式中：表示目标疾病发生的概率；为截距项；为各生物标志物对应的权重系数；为标准化后的输入变量。

28、在一种优选实施方式中，所述分类模型不限于逻辑回归模型，还可以采用以下任意机器学习模型进行替代或增强：logistic regression（优选实施方式）、random forest、gradient boosting machine（gbm/xgboost）、artificial neural network（ann）、supportvector machine（svm）。

29、（七）系统结构

30、本发明还提供一种用于胰腺疾病分类与风险评估的系统，该系统至少包括以下功能模块：

31、1.样本处理模块：用于接收来自受试者的生物样本，并对所述生物样本进行预处理，以获得适用于后续检测的分析样本。所述预处理包括但不限于离心分离、稀释、过滤或蛋白稳定化处理。

32、2.多标志物检测模块：用于对分析样本中的多种生物标志物进行定量或半定量检测，以获得多维生物标志物检测数据。所述生物标志物包括gdf-15、timp1、spp1、reg3a、reg1b及ca19-9中的一种或多种。

33、3.信号读取模块：用于对检测反应产生的信号进行采集与量化分析，以获得对应的生物标志物表达水平。所述信号读取方式包括但不限于化学发光信号读取（clia）、荧光信号读取（fia/trfia）、免疫层析信号读取（胶体金或荧光微球）。

34、4.数据标准化模块：用于对不同生物标志物的检测结果进行统一尺度转换，以消除不同量纲及检测平台之间的差异。所述标准化方法包括z-score标准化、归一化处理或对数转换方法中的任意一种或多种组合。

35、5.logistic回归计算模块：用于基于标准化后的多维输入数据构建分类模型，并计算疾病发生概率。

36、6.风险输出模块：用于根据模型计算结果输出至少一种临床风险评估结果，包括：胰腺癌发生风险（pdac risk）、胰腺炎发生风险（pancreatitis risk）、泛癌风险评分（pan-cancer risk score）、疾病分层结果（低风险、中风险或高风险）。

37、7.临床解释模块：用于将模型输出结果转换为临床可理解的风险等级或评估建议。所述临床解释模块可基于预设阈值、统计分布或训练数据集确定的决策边界，对风险评分进行分级解释，以辅助临床决策。

38、在一种优选实施方式中，本发明系统的数据处理流程如下：生物样本→样本处理模块→多标志物检测模块→信号读取模块→数据标准化模块→logistic回归计算模块→风险输出模块→临床解释模块。

39、本发明具有以下有益效果：

40、1. 双轴结构实现机制层面的疾病区分

41、与现有技术仅基于单一生物标志物或单一病理通路进行疾病判断不同，本发明首次将胰腺疾病的生物学信息拆分为两个独立但互补的维度，即系统性肿瘤信号维度与胰腺局部损伤信号维度，并通过数学融合模型实现跨维度信息整合。该双轴结构能够有效区分以下两类临床上高度相似但生物学机制不同的疾病状态：以系统性肿瘤应激为主导的胰腺癌状态；以局部炎症及组织损伤为主导的胰腺炎状态。因此，本发明不仅提高了分类准确性，同时在生物学机制层面提供了新的疾病分类框架。

42、2. 显著提高分类性能

43、根据本发明实施例的验证结果，六种生物标志物联合检测模型的roc曲线下面积（auc）达到0.956，95%置信区间为0.902～0.985，其整体分类性能均高于各单项生物标志物（最高单项ca19-9的auc为0.941）。在最佳判定阈值下，本发明模型具有100%的敏感性和80%的特异性，能够有效识别潜在胰腺癌患者，同时保持较好的疾病排除能力。

44、3. 多维度风险评估与分层管理

45、本发明通过构建风险输出模块和临床解释模块，实现了从多指标生物标志物检测、模型计算、风险评分生成到临床辅助解释的完整闭环。系统可输出胰腺癌发生风险、胰腺炎发生风险、泛癌风险评分及疾病分层结果（低风险/中风险/高风险），可用于胰腺癌早期筛查、风险评估、患者分层管理。

46、4. 广泛的适用性

47、本发明所述检测方法适用于血清、血浆、全血、尿液、唾液等多种生物样本，检测方法可灵活选用化学发光免疫分析、荧光免疫分析、时间分辨荧光免疫分析、免疫层析检测等多种方式，具有良好的临床适用性和可推广性。

48、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。