甲状腺结节非常多见，19%〜68%[1]的普通人群超声可测及甲状腺结节，其中大多数为不具有临床意义的良性结节。在中国，通过超声检查发现甲状腺结节的患病率约20%〜35%[1]。根据年龄、性别、受辐射史、家族史和其他因素的不同，甲状腺结节患者7%〜15%[1]为甲状腺癌[1]。
超声引导下细针穿刺活检（FNA）是临床术前鉴别甲状腺结节良恶性的主要方法，其中Bethesda Ⅲ、Ⅳ为不确定性结节，约占FNA结果的30%[2],恶性风险分别是10〜30%[3]、25%〜40%[3]。
甲状腺切除可能导致患者终生服药、引发喉返神经损伤[4]等并发症及影响美观等一系列问题。如何精准判断甲状腺结节的良恶性，避免不准确诊断导致的误切漏切，成为摆在临床医生面前的一道难题。
西湖欧米研发团队正是基于此临床痛点问题，开发了一款专注于甲状腺结节良恶性鉴别的产品甲谱诺™（ThyroProt®）
♦ 甲谱诺™（ThyroProt®）的原型
“甲谱诺™（ThyroProt®）”的产品思路基于西湖大学郭天南老师团队发表在《Cell Discovery》上的一篇文章：“Artificial intelligence defines protein-based classification of thyroid nodules”，该研究首先收集了来自单中心的578[5]个患者的1724个[5]甲状腺样本，然后应用PCT-DIA质谱技术对样本进行检测，获得蛋白质组学数据，并根据遗传算法、神经网络模型筛选出甲状腺结节良恶性鉴别相关的蛋白质及分类模型，后对回顾性石蜡样本和前瞻性的穿刺样本分别进行验证。整体流程如下图：
[5] Sun Y, et al. Cell Discov 2022.
西湖欧米研究团队基于以上研究思路，对国内多中心样本数据进行了分析和验证，同时结合临床患者的基本信息，最终形成一款AI赋能的精准医学多组学产品—甲谱诺™（ThyroProt®）。
♦ 什么是甲谱诺™（ThyroProt®）
甲谱诺检测是基于液相色谱-串联质谱（LC-MS/MS）技术和荧光PCR技术，对甲状腺结节细针穿刺活检样本中14[5-18]种与甲状腺/肿瘤发生发展相关的蛋白浓度及可能的BRAF V600E突变进行检测。以上各项检测结果结合患者临床特征，使用包含人工智能算法技术的甲状腺结节良恶性分析软件分析并计算综合评分，对样本呈现的甲状腺结节良恶性风险进行定性判断。
♦ 甲谱诺™（ThyroProt®）应用场景
♦ 样本要求及检测流程
◊采样要求：
- 样本类型：两针FNA样本
- 样本保存：2-8℃保存
◊检测流程：
♦ 产品优势
◊技术先进：多组学技术的应用使得“甲谱诺”可以从蛋白质层面、基因层面等多个维度进行数据分析，突破了单一技术分析的桎梏，为甲状腺结节良恶性判断提供了更多技术可能。
◊数据可靠：“甲谱诺”基于全国多家三甲医院样本的研究，可更好反映临床真实世界情况。
◊AI赋能：通过在大队列数据上的AI模型训练，发现隐藏在数据中的、人工难以发现的蛋白表达和疾病之间的高阶复杂关系，使疾病检测有更高灵敏度。
◊报告及时：样本到达实验室后5个自然日即可出检测报告。
⇒点击下载：ThyroProt 甲状腺结节良恶性辅助诊断方案
参考文献：
[1] 中华医学会超声医学分会浅表器官和血管学组. 中华超声影像学杂志 2021.
[2] Kobaly K, et al. Annu Rev Med 2022.
[3] 甲状腺癌诊疗指南. 国卫办医函〔2022〕104号.
[4] Roger Chou, et al. Thyroid 2022.
[5] Sun Y, et al. Cell Discov 2022.
[6] Sun Y, et al. Mol Oncol 2022.
[7] Yang W, et al. Clin Immunol 2020.
[8] Huang J, et al. J Exp Clin Cancer Res 2022.
[9] Sofiadis A, et al.Thyroid 2010.
[10] Ucal Y, et al.Thyroid 2019.
[11] Cagnoni AJ, et al. Proc Natl Acad Sci USA 2021.
[12] Gheysen L, et al. Cells 2021.
[13] Schmidt M, et al. Clin Cancer Res 2012.
[14] Chen Y, et al. Cancer Cell 2022.
[15] Ma YS, et al. Mol Cancer 2019.
[16] Li Y, et al. Cancer Res 2018.
[17] Friedrichs B, et al. J Clin Invest 2003.
[18] Du Z, et al. Endocrinology 2007.
甲状腺结节非常多见，19%〜68%[1]的普通人群超声可测及甲状腺结节，其中大多数为不具有临床意义的良性结节。在中国，通过超声检查发现甲状腺结节的患病率约20%〜35%[1]。根据年龄、性别、受辐射史、家族史和其他因素的不同，甲状腺结节患者7%〜15%[1]为甲状腺癌[1]。
超声引导下细针穿刺活检（FNA）是临床术前鉴别甲状腺结节良恶性的主要方法，其中Bethesda Ⅲ、Ⅳ为不确定性结节，约占FNA结果的30%[2],恶性风险分别是10〜30%[3]、25%〜40%[3]。
甲状腺切除可能导致患者终生服药、引发喉返神经损伤[4]等并发症及影响美观等一系列问题。如何精准判断甲状腺结节的良恶性，避免不准确诊断导致的误切漏切，成为摆在临床医生面前的一道难题。
西湖欧米研发团队正是基于此临床痛点问题，开发了一款专注于甲状腺结节良恶性鉴别的产品甲谱诺™（ThyroProt®）
♦ 甲谱诺™（ThyroProt®）的原型
“甲谱诺™（ThyroProt®）”的产品思路基于西湖大学郭天南老师团队发表在《Cell Discovery》上的一篇文章：“Artificial intelligence defines protein-based classification of thyroid nodules”，该研究首先收集了来自单中心的578[5]个患者的1724个[5]甲状腺样本，然后应用PCT-DIA质谱技术对样本进行检测，获得蛋白质组学数据，并根据遗传算法、神经网络模型筛选出甲状腺结节良恶性鉴别相关的蛋白质及分类模型，后对回顾性石蜡样本和前瞻性的穿刺样本分别进行验证。整体流程如下图：
[5] Sun Y, et al. Cell Discov 2022.
西湖欧米研究团队基于以上研究思路，对国内多中心样本数据进行了分析和验证，同时结合临床患者的基本信息，最终形成一款AI赋能的精准医学多组学产品—甲谱诺™（ThyroProt®）。
♦ 什么是甲谱诺™（ThyroProt®）
甲谱诺检测是基于液相色谱-串联质谱（LC-MS/MS）技术和荧光PCR技术，对甲状腺结节细针穿刺活检样本中14[5-18]种与甲状腺/肿瘤发生发展相关的蛋白浓度及可能的BRAF V600E突变进行检测。以上各项检测结果结合患者临床特征，使用包含人工智能算法技术的甲状腺结节良恶性分析软件分析并计算综合评分，对样本呈现的甲状腺结节良恶性风险进行定性判断。
♦ 甲谱诺™（ThyroProt®）应用场景
♦ 样本要求及检测流程
◊采样要求：
- 样本类型：两针FNA样本
- 样本保存：2-8℃保存
◊检测流程：
♦ 产品优势
◊技术先进：多组学技术的应用使得“甲谱诺”可以从蛋白质层面、基因层面等多个维度进行数据分析，突破了单一技术分析的桎梏，为甲状腺结节良恶性判断提供了更多技术可能。
◊数据可靠：“甲谱诺”基于全国多家三甲医院样本的研究，可更好反映临床真实世界情况。
◊AI赋能：通过在大队列数据上的AI模型训练，发现隐藏在数据中的、人工难以发现的蛋白表达和疾病之间的高阶复杂关系，使疾病检测有更高灵敏度。
◊报告及时：样本到达实验室后5个自然日即可出检测报告。
⇒点击下载：ThyroProt 甲状腺结节良恶性辅助诊断方案
参考文献：
[1] 中华医学会超声医学分会浅表器官和血管学组. 中华超声影像学杂志 2021.
[2] Kobaly K, et al. Annu Rev Med 2022.
[3] 甲状腺癌诊疗指南. 国卫办医函〔2022〕104号.
[4] Roger Chou, et al. Thyroid 2022.
[5] Sun Y, et al. Cell Discov 2022.
[6] Sun Y, et al. Mol Oncol 2022.
[7] Yang W, et al. Clin Immunol 2020.
[8] Huang J, et al. J Exp Clin Cancer Res 2022.
[9] Sofiadis A, et al.Thyroid 2010.
[10] Ucal Y, et al.Thyroid 2019.
[11] Cagnoni AJ, et al. Proc Natl Acad Sci USA 2021.
[12] Gheysen L, et al. Cells 2021.
[13] Schmidt M, et al. Clin Cancer Res 2012.
[14] Chen Y, et al. Cancer Cell 2022.
[15] Ma YS, et al. Mol Cancer 2019.
[16] Li Y, et al. Cancer Res 2018.
[17] Friedrichs B, et al. J Clin Invest 2003.
[18] Du Z, et al. Endocrinology 2007.
