Zespół badaczy zaproponował nowatorskie podejście do klasyfikacji nowotworów mózgu bazujące na analizie metylacji DNA, łączące technikę Sparse Random Projection ze skalowaną regresją logistyczną. Na referencyjnym zbiorze 2801 próbek model uzyskał 96 proc. dokładności w walidacji krzyżowej, a na niezależnym klinicznym zbiorze 1104 próbek osiągnął 86 proc. trafności na poziomie 91 klas nowotworów.
Wyniki stanowią istotny skok względem dotychczasowego stanu technologii - metoda poprawia dokładność klasyfikacji o 4 punkty procentowe na poziomie konkretnych typów nowotworów i aż 5 punktów na poziomie rodzin nowotworów wobec poprzedniego standardu (82 proc. i 88 proc. odpowiednio). To może wydawać się marginalną różnicą, ale w praktyce klinicznej bezpośrednio wpływa na przydzielenie pacjenta do właściwego protokołu leczenia.
Metylacja DNA stała się potężnym narzędziem do rozróżniania podtypów nowotworów CNS, jednak dotychczasowe podejścia musiały radzić sobie z wyzwaniami związanymi z przenośnością między różnymi zbiorami danych i metodologiczną rygorszością. Zaproponowane rozwiązanie stanowi bardziej niezawodną i trafiniejszą metodę, która ma potencjał przyczynić się do poprawy diagnostyki i wyborów terapeutycznych dla pacjentów z nowotworami mózgu.