12月22日上午，“统计大讲堂”系列讲座第182讲举行。本次讲座采取线上会议的方式，邀请纽约州立大学布法罗分校生物统计系教授Lili Tian作题为“应用于卵巢癌的生物标志物评估的准确度指标研究的最新进展”的报告。讲座由中国人民大学统计学院教授李扬主持。
李扬首先介绍了主讲人的相关信息。Lili Tian是纽约州立大学布法罗分校生物统计系的教授、副系主任和研究生主任；Roswell Park 综合癌症研究中心的肿瘤学教授；生物统计杂志《医学研究中的统计方法》的主编；美国统计协会（ASA）布法罗/尼亚加拉分会主席；美国Canget BioTekpharma LLC科学顾问委员会成员。负责美国联邦政府资助的许多大规模研究的实验设计和统计分析，包括临床试验和流行病学研究。曾在医学诊断、生物标志物评估、统计推断、癌症研究、流行病学和护理研究等领域发表了100多篇SCI论文。
Lili Tian首先介绍了生物标志物的初步知识。“生物标志物”属于医学标记领域，是指从患者外部观察到的医学状态的客观指征，其中，诊断生物标志物用于确定疾病的存在和类型；预后生物标志物用来提供患者在经历或未经历标准治疗后的信息，可以作为回归模型中的协变量；预测生物标志物能够帮助患者确定治疗方案。相应地，生物标志物在医疗领域的应用需要经过发现、评估、确认三个阶段。此外，Lili Tian详细说明了为尽早发现卵巢癌而采用的各类生物标志物，如CA125、TVS和HE4。她指出，虽然CA125或TVS在被单独使用时灵敏度和准确度都比较低，但是它们一起会提供有效的筛选检测手段。而HE4虽然灵敏度不如CA125，但是HE4和CA25的组合在临床应用上引起广泛兴趣。近年来，美国食品药品监督管理局采用的The risk of malignancy algorithm （ROMA）就是组合CA125、HE4和menopausal status一起用来在手术前判断女性是否患有卵巢癌。
基于上述关于卵巢癌诊断的分析，Lili Tian强调生物标志物在医疗科学领域中的重要性。然而，生物标志物评估指标在该领域中被错误使用的现象十分常见，她通过两篇研究论文具体阐释了这一现象，其中第一篇论文评估了基于4种microRNA下，用于早期NSCLC诊断的分类器，但所使用的轮询二分类方法并不适用于区分健康群体和患有NSCLC群体这个目的；第二篇论文评估了基于两种microRNA下用于胰腺癌诊断的分类器，但错误地使用了三个二元分类而非三元分类。
最后，Lili Tian指出，为了准确评估生物标志物，正确判断分类类型以及性能指标是至关重要的。针对上述两篇论文的错误，她引入了新的准确度指标来解决论文中的不足之处。第一个新的准确度指标用来解决当生物标志物用来区分两个主要类别，而且每个类别包含多个不排序小类别的情景。第二个新的准确度引入一个新的维度用来解决当生物标志物用来区分三个或三个以上排序的主要类别时，现有的性能指标不够灵敏的问题。在讲座中， Lili Tian也详细阐释了多元分类方法MADET和（extended） tree ordering的原理。此外，她指出现有的准确度指标均无法在每个问题场景下被高效使用，所以要提供灵活的诊断措施就必须有针对性地定制生物标志物。
在提问交流环节，在线师生积极参与讨论，Lili Tian耐心解答了听众们的疑问，并就生物标志物的选择问题做了更加深入的探讨。
此后“统计大讲堂”系列将陆续推出更多精彩讲座，敬请关注。