palguno.com

Halo, MikroSob

Kanker pankreas merupakan salah satu keganasan yang paling sulit dihadapi. Tantangannya bukan hanya karena sifat tumornya yang agresif, tetapi juga karena penyakit ini sering berkembang tanpa gejala khas pada tahap awal. Ketika pasien mulai mengalami penurunan berat badan, nyeri perut yang menjalar ke punggung, ikterus, atau gangguan pencernaan, tumor mungkin sudah berkembang cukup jauh.

Keterlambatan diagnosis menyebabkan kesempatan untuk menjalani operasi dengan tujuan kuratif menjadi semakin kecil ketika kanker telah menginvasi pembuluh darah penting atau menyebar ke organ lain. National Cancer Institute juga menegaskan bahwa kanker pankreas sulit didiagnosis pada stadium awal karena tanda dan gejalanya sering tidak muncul sampai penyakit sudah lanjut.

Di tengah keterbatasan tersebut, muncul pendekatan yang terdengar sangat menjanjikan, yaitu mendeteksi kanker melalui cairan tubuh atau liquid biopsy, kemudian menggunakan kecerdasan buatan (artificial intelligence/AI) untuk menemukan pola yang sulit dikenali melalui analisis konvensional.

Sebuah scoping review terbaru oleh Joy Ku dan tim mencoba memetakan perkembangan tersebut. Artikel berjudul “Machine learning and artificial intelligence in liquid biopsy-based early detection of pancreatic cancer: a scoping review” diterbitkan di BJC Reports pada 21 Mei 2026 menelaah bagaimana artificial intelligence dan machine learning digunakan untuk mengolah berbagai biomarker dalam upaya mendeteksi pancreatic ductal adenocarcinoma (PDAC) lebih dini.

Pertanyaan pentingnya bukan sekadar teknologinya yang terlihat canggih tetapi yang lebih mendasar yaitu:

Apakah AI dan liquid biopsy sudah cukup kuat untuk mendeteksi kanker pankreas secara dini?

Mengapa kanker pankreas sulit dideteksi?

Sebagian besar kanker pankreas merupakan pancreatic ductal adenocarcinoma (PDAC). Tumor ini berkembang dari sel epitel duktus pankreas dan memiliki kecenderungan untuk menginvasi jaringan sekitar serta menyebar relatif cepat.

Pankreas terletak di bagian dalam rongga abdomen, di belakang lambung. Letak anatomis tersebut menyebabkan tumor kecil tidak mudah ditemukan melalui pemeriksaan fisik. Gejala awalnya juga tidak spesifik dan dapat menyerupai berbagai gangguan gastrointestinal atau metabolik lainnya.

Secara molekuler, PDAC dikenal memiliki frekuensi mutasi Kirsten Rat Sarcoma (KRAS) yang sangat tinggi, disertai perubahan pada gen supresor tumor seperti Tumor Protein p53 (TP53), Cyclin Dependent Kinase Inhibitor 2A (CDKN2A), dan SMAD Family Member 4 (SMAD4). Kombinasi perubahan tersebut berkontribusi terhadap progresivitas, heterogenitas, invasi, dan resistensi terapi.

Saat ini, pemeriksaan surveilans lebih banyak ditujukan kepada individu berisiko tinggi, misalnya mereka yang mempunyai riwayat keluarga, sindrom herediter tertentu, atau lesi kistik pankreas yang berpotensi ganas. Modalitas yang digunakan antara lain magnetic resonance cholangiopancreatography dan endoscopic ultrasound. Namun, pemeriksaan tersebut membutuhkan fasilitas khusus, biaya yang tidak sedikit, serta tenaga dengan kompetensi tertentu.

Artinya, masih terdapat kebutuhan besar terhadap pemeriksaan yang lebih mudah, minimal invasif, dapat diulang dan mampu mengenali kanker saat ukuran masih kecil.

Apa itu liquid biopsy?

Liquid biopsy adalah analisis komponen biologis yang terdapat dalam cairan tubuh dan dapat memberikan informasi mengenai keberadaan atau karakteristik suatu tumor. Sampelnya paling sering berupa darah, tetapi urine, cairan empedu, saliva, cairan kista, cairan serebrospinal, dan cairan tubuh lainnya juga dapat digunakan sesuai jenis kanker yang diteliti.

Pada kanker pankreas, beberapa komponen yang banyak dikembangkan meliputi:

• circulating tumor DNA (ctDNA)
• cell-free DNA (cfDNA)
• circulating tumor cells
• microRNA
• messenger RNA
• extracellular vesicles
• protein dan metabolit
• pola metilasi DNA
• pola fragmentasi cfDNA

Liquid biopsy tidak berarti bahwa jaringan tumor berubah menjadi cairan. Istilah tersebut menggambarkan pemeriksaan materi biologis yang dilepaskan tumor atau dipengaruhi oleh keberadaan tumor di dalam cairan tubuh.

Pada prinsipnya, tumor dapat melepaskan DNA, RNA, protein, vesikel, maupun sel ke dalam sirkulasi. Masalahnya, terutama pada kanker stadium dini, jumlah material yang dilepaskan dapat sangat sedikit. Sinyal tersebut kemudian bercampur dengan komponen normal yang jumlahnya jauh lebih besar.

Dengan demikian, tantangan utama liquid biopsy bukan sekadar menemukan suatu molekul, melainkan membedakan sinyal kanker yang sangat kecil dari padatnya material biologis tubuh.

Mengapa CA 19-9 belum cukup?

Carbohydrate Antigen 19-9 (CA 19-9) merupakan biomarker serum yang paling dikenal dalam kaitannya dengan kanker pankreas. Namun, kegunaannya lebih tepat untuk membantu evaluasi pasien yang sudah dicurigai atau telah didiagnosis, termasuk dalam pemantauan terapi dan progresivitas penyakit.

CA 19-9 mempunyai sejumlah keterbatasan. Kadarnya dapat meningkat pada kondisi nonmaligna, seperti pankreatitis, kolangitis, dan obstruksi bilier. Sebaliknya, sebagian pasien tidak menghasilkan CA 19-9 secara memadai karena variasi genetik yang berkaitan dengan fenotipe Lewis. National Cancer Institute menegaskan bahwa peningkatan CA 19-9 juga ditemukan pada kondisi jinak. Sedangkan pada sebagian pasien, marker ini tidak diproduksi sama sekali.

Dalam artikel yang ditelaah, penulis menyebutkan bahwa performa CA 19-9 tunggal masih suboptimal. Estimasi gabungan yang dikutip menunjukkan sensitivitas sekitar 72%, spesifisitas 86%, dan area under the curve sekitar 0,85. Angka ini mungkin terlihat cukup baik, tetapi belum memadai untuk skrining penyakit dengan prevalensi rendah karena jumlah hasil positif palsu dapat tetap tinggi.

Inilah alasan para peneliti beralih dari pendekatan satu biomarker untuk satu penyakit menuju panel multianalit.

Ketika satu biomarker tidak cukup, AI mencoba membaca keseluruhan pola

Artificial intelligence dalam konteks ini bukan alat yang secara langsung melihat sel kanker. AI digunakan untuk mengolah data biomarker yang kompleks dan mencari kombinasi karakteristik yang paling mampu membedakan kelompok kanker dari kelompok nonkanker.

Sebuah model dapat menerima sejumlah besar informasi, misalnya:

• kadar CA 19-9
• ekspresi beberapa microRNA
• mutasi KRAS
• konsentrasi cfDNA
• panjang fragmen DNA
• pola metilasi
• protein permukaan extracellular vesicles
• data metabolomik
• usia
• status diabetes
• riwayat pankreatitis
• kebiasaan merokok

Algoritme kemudian mencari hubungan antarfaktor yang mungkin terlalu kompleks untuk dianalisis hanya dengan batas rujukan konvensional.

Secara sederhana, biomarker tunggal dapat dianalogikan dengan mendengarkan satu alat musik di dalam sebuah orkestra. AI mencoba mendengarkan seluruh instrumen sekaligus, kemudian menilai apakah pola bunyi yang terbentuk menyerupai pola kanker pankreas.

Namun, analogi tersebut juga mengandung peringatan. Sebuah model dapat mengenali lagu dengan sangat baik apabila lagu yang diputar sama dengan data yang digunakan saat latihan. Tantangan sebenarnya adalah apakah model tetap mampu mengenali lagu tersebut ketika dimainkan oleh orkestra lain, di ruangan lain, menggunakan instrumen berbeda, dan dengan kualitas rekaman yang tidak sama.

Di sinilah konsep validasi model menjadi sangat penting.

Bagaimana review ini dilakukan?

Ku dan tim melakukan scoping review mengikuti kerangka PRISMA-ScR. Pencarian dilakukan di PubMed dan Scopus untuk publikasi periode 1 Januari 2018 sampai 11 Juli 2025. Artikel yang dimasukkan harus menggunakan sampel cairan biologis manusia, berfokus pada deteksi dini PDAC, dan menerapkan metode AI atau machine learning.

Pencarian awal menghasilkan 85 artikel:

• 31 artikel dari PubMed
• 54 artikel dari Scopus.

Setelah duplikasi dihilangkan, tersisa 63 artikel. Sebanyak 20 artikel lolos skrining judul dan abstrak, kemudian 18 penelitian akhirnya dimasukkan setelah evaluasi teks lengkap. Proses seleksi dilakukan oleh dua penelaah independen pada tahap skrining judul dan abstrak.

Sebagian besar studi yang disertakan diterbitkan pada 2024 dan 2025, menunjukkan bahwa bidang ini berkembang dengan cepat.

Dari 18 penelitian tersebut:

• 15 menggunakan darah sebagai sumber liquid biopsy
• penelitian lainnya menggunakan urine, empedu, atau cairan kista pankreas
• 15 menggunakan supervised machine learning
• 2 menggunakan deep learning
• random forest digunakan dalam 9 penelitian
• support vector machine digunakan dalam 7 penelitian

Fitur yang dianalisis sangat beragam, termasuk profil mutasi cfDNA, ekspresi microRNA, biomarker mRNA, protein, metabolit, dan penanda extracellular vesicles.

Apa yang ditemukan?

Secara umum, studi-studi yang dimasukkan menunjukkan bahwa machine learning dapat membantu membangun panel biomarker dengan kemampuan diskriminatif yang menjanjikan.

Beberapa model mampu membedakan:

• pasien PDAC dari individu sehat
• PDAC dari pankreatitis
• PDAC dari lesi pankreas jinak
• kanker pankreas dari jenis kanker lainnya
• penyakit stadium dini dari kelompok kontrol

Random forest dan support vector machine menjadi metode yang paling sering digunakan. Hal ini dapat dimengerti karena keduanya relatif sesuai untuk dataset biomedis berukuran kecil hingga menengah, mampu menangani banyak fitur, dan dapat digunakan untuk klasifikasi nonlinier.

Review ini juga memperlihatkan pergeseran penting dalam penelitian biomarker. Para peneliti tidak lagi hanya bertanya apakah kadar biomarker A meningkat pada kanker, tetapi pertanyaannya berkembang menjadi: kombinasi fitur apa yang paling informatif dan bagaimana hubungan kompleks antarfaktor tersebut dapat digunakan untuk menghasilkan prediksi.

Konsep ini sangat menjanjikan. Akan tetapi, hasil yang menjanjikan belum sama dengan pemeriksaan yang siap diterapkan.

Kekuatan jurnal

1. Mengangkat topik yang sangat relevan

Review ini membahas titik temu tiga bidang yang sedang berkembang pesat: onkologi, liquid biopsy dan artificial intelligence. Ketiganya memang berpotensi mengubah pendekatan deteksi kanker dari metode yang reaktif menjadi lebih proaktif.

2. Menggunakan kerangka PRISMA-ScR

Penggunaan PRISMA-ScR membantu membuat metode pencarian dan seleksi artikel lebih transparan. Penulis juga menyediakan diagram alur seleksi, tabel karakteristik penelitian, jenis biomarker, algoritme, dan performa yang dilaporkan.

3. Tidak hanya membahas darah

Walaupun darah mendominasi, review ini turut memasukkan urine, cairan empedu, dan cairan kista pankreas. Hal ini penting karena karakteristik biomarker dapat berbeda menurut kedekatan cairan biologis dengan organ atau lesi asal.

Cairan kista dan empedu, misalnya, mungkin mengandung konsentrasi material tumor yang lebih tinggi. Namun, akses terhadap kedua jenis sampel tersebut lebih invasif dibandingkan pengambilan darah atau urine.

4. Mengidentifikasi masalah standardisasi

Penulis tidak hanya menampilkan performa model yang tinggi. Mereka secara eksplisit menyoroti ketidakkonsistenan pelaporan sensitivitas, spesifisitas, akurasi, AUC, dan metode validasi. Ketidakseragaman ini membuat perbandingan antarmodel menjadi sulit dan menghambat sintesis kuantitatif pada masa mendatang.

5. Menunjukkan bahwa bidang ini belum matang

Salah satu nilai terbesar review ini justru terletak pada pengakuannya bahwa penerapan klinis masih terbatas. Penulis tidak menyatakan bahwa AI-liquid biopsy sudah dapat menggantikan modalitas diagnostik yang digunakan saat ini.

Kritik metodologis terhadap review

Walaupun relevan dan disusun cukup sistematis, terdapat beberapa keterbatasan penting.

1. Hanya menggunakan dua basis data

Pencarian hanya dilakukan melalui PubMed dan Scopus. Keduanya merupakan basis data besar, tetapi penambahan Embase, Web of Science, IEEE Xplore, atau ACM Digital Library berpotensi menemukan penelitian AI yang tidak terindeks secara optimal dalam basis data biomedis.

Hal ini penting karena penelitian artificial intelligence sering dipublikasikan dalam prosiding ilmu komputer, teknik biomedis, atau jurnal lintas disiplin.

2. Pembatasan istilah liquid biopsy dapat mengurangi sensitivitas pencarian

Penulis mengakui bahwa strategi pencarian berfokus pada penelitian yang secara eksplisit memakai paradigma liquid biopsy. Akibatnya, penelitian metabolomik, microbiome, spektroskopi, atau sensor bioelektronik yang menggunakan cairan tubuh tetapi tidak menyebut dirinya sebagai liquid biopsy dapat terlewat.

Ini merupakan keterbatasan konseptual yang cukup besar karena batas antara liquid biopsy, circulating biomarkers, dan blood-based diagnostics tidak selalu konsisten.

3. Tidak melakukan meta-analisis

Sebagai scoping review, tujuan utamanya memang memetakan bukti, bukan menghitung estimasi gabungan. Keputusan tidak melakukan meta-analisis dapat dibenarkan karena terdapat heterogenitas besar pada jenis sampel, biomarker, algoritme, kelompok kontrol, outcome, dan metode validasi.

Namun, konsekuensinya adalah review ini tidak dapat memberikan jawaban kuantitatif mengenai model atau biomarker mana yang paling unggul.

Kita tidak dapat menyimpulkan bahwa random forest lebih baik daripada support vector machine hanya karena lebih sering digunakan. Frekuensi penggunaan bukan bukti superioritas.

4. Tidak tampak adanya penilaian formal terhadap risiko bias setiap studi

Scoping review tidak selalu diwajibkan melakukan risk-of-bias assessment. Namun, dalam penelitian diagnostik berbasis AI, kualitas metodologis sangat menentukan validitas hasil.

Instrumen seperti QUADAS-2, PROBAST, atau perangkat penilaian risiko bias yang disesuaikan untuk AI dapat membantu menilai:

• cara pemilihan pasien
• definisi outcome
• representativitas kontrol
• pemisahan data pelatihan dan pengujian
• penanganan missing data
• pemilihan fitur
• overfitting
• kalibrasi
• validasi eksternal

Tanpa penilaian tersebut, penelitian berisiko bias tinggi dapat memperoleh bobot naratif yang sama dengan penelitian yang dirancang lebih baik.

5. Istilah supervised, unsupervised, dan deep learning perlu lebih presisi

Artikel menyederhanakan AI menjadi supervised atau standard machine learning serta unsupervised atau deep learning. Secara metodologis, pembagian tersebut kurang tepat.

Deep learning bukan sinonim dari unsupervised learning. Neural network dapat dilatih secara supervised, unsupervised, self-supervised, maupun semi-supervised. Sebaliknya, algoritme non-deep-learning juga dapat digunakan dalam analisis unsupervised.

Kesalahan kategorisasi ini tidak merusak keseluruhan kesimpulan, tetapi menunjukkan perlunya kolaborasi yang lebih erat dengan ahli data science dalam penulisan review lintas disiplin.

Masalah terbesar: studi deteksi dini yang banyak memakai pasien dengan kanker terkonfirmasi

Inilah kritik paling penting.

Sebanyak 17 dari 18 penelitian memasukkan pasien yang telah mempunyai diagnosis PDAC. Banyak di antaranya kemungkinan mencakup kanker stadium lebih lanjut. Penulis sendiri mengakui bahwa desain seperti ini dapat membatasi relevansi model untuk deteksi dini.

Membedakan pasien dengan tumor lanjut dari individu sehat tidak sama dengan mendeteksi kanker kecil dalam populasi berisiko.

Pada tumor lanjut, jumlah ctDNA, extracellular vesicles, protein tumor, dan perubahan metabolik biasanya lebih besar. Model dapat memperoleh performa sangat tinggi karena perbedaan biologis antara kedua kelompok terlalu jelas.

Dalam praktik nyata, tantangannya jauh lebih sulit. Model harus membedakan:

• PDAC stadium I
• pankreatitis kronis
• pankreatitis akut
• obstruksi bilier jinak
• intraductal papillary mucinous neoplasm
• mucinous cystic neoplasm
• diabetes onset baru
• penyakit hepatobilier
• individu berisiko tinggi tanpa kanker

Model yang hanya dengan kelompok kanker terkonfirmasi versus orang sehat berisiko mengalami spectrum bias. Performa model terlihat sangat baik dalam penelitian, tetapi menurun ketika digunakan pada populasi klinis yang lebih kompleks.

Ukuran sampel kecil dan ancaman overfitting

Sebagian besar studi memiliki ukuran relatif kecil. Hanya tiga penelitian yang melibatkan lebih dari 1.000 peserta, dan ketiganya merupakan studi deteksi multikanker sehingga fokus spesifik terhadap PDAC menjadi lebih terbatas.

Dalam machine learning, ukuran sampel tidak dapat dinilai hanya berdasarkan jumlah pasien. Rasio antara jumlah pasien, jumlah kejadian, dan jumlah fitur juga penting.

Sebagai contoh, sebuah penelitian mungkin mempunyai 150 pasien tetapi menganalisis ribuan microRNA, titik metilasi, protein, atau fitur fragmentomik. Model dapat menemukan pola yang tampak sangat akurat secara kebetulan.

Overfitting terjadi ketika model terlalu menyesuaikan diri dengan karakteristik data pelatihan. Model tersebut terlihat sangat baik pada data yang sudah dikenal, tetapi gagal ketika menghadapi pasien baru.

Cross-validation memang dapat mengurangi risiko ini, tetapi tidak menggantikan validasi eksternal. Bahkan cross-validation dapat memberikan estimasi terlalu optimistis apabila seleksi fitur dilakukan sebelum data dibagi menjadi fold. Seluruh proses, termasuk normalisasi dan feature selection, harus dilakukan di dalam setiap fold untuk mencegah data leakage.

Akurasi tinggi belum tentu berguna untuk skrining

Dalam penelitian diagnostik, AUC sering menjadi angka yang paling menonjol. Namun, AUC yang tinggi tidak otomatis berarti suatu pemeriksaan cocok untuk skrining.

Pada penyakit dengan prevalensi rendah, positive predictive value dapat tetap rendah meskipun sensitivitas dan spesifisitas terlihat baik.

Bayangkan suatu tes mempunyai sensitivitas 90% dan spesifisitas 90%. Bila digunakan pada 10.000 orang dengan prevalensi kanker pankreas 0,1%, hanya sekitar 10 orang benar-benar mempunyai kanker.

Tes tersebut berpotensi menemukan sembilan kasus kanker, tetapi juga menghasilkan sekitar 999 hasil positif palsu. Dengan demikian, hanya sebagian sangat kecil hasil positif yang benar-benar merupakan kanker.

Konsekuensi klinisnya dapat berupa:

• kecemasan pasien
• pemeriksaan pencitraan berulang
• endoscopic ultrasound
• biopsi
• operasi yang tidak diperlukan
• peningkatan biaya
• risiko komplikasi

Karena itu, liquid biopsy untuk kanker pankreas lebih realistis dikembangkan terlebih dahulu pada kelompok berisiko tinggi, bukan langsung digunakan sebagai skrining massal populasi umum.

Sensitivitas saja tidak cukup: model juga harus terkalibrasi

Sebagian besar publikasi AI menekankan discrimination, yaitu kemampuan membedakan pasien yang mengalami dan tidak mengalami penyakit. AUC merupakan salah satu ukuran discrimination.

Namun, sebuah model juga harus mempunyai kalibrasi yang baik. Bila model menyatakan risiko kanker 20%, maka sekitar 20 dari 100 pasien dengan prediksi tersebut seharusnya benar-benar mempunyai kanker.

Model dengan AUC tinggi tetapi kalibrasi buruk dapat memberikan estimasi risiko yang menyesatkan. Sayangnya, pelaporan calibration plot, calibration slope, Brier score, atau decision-curve analysis belum menjadi standar dalam banyak penelitian biomarker berbasis AI.

Untuk pelayanan klinis, pertanyaan bukan hanya “Apakah model dapat membedakan kelompok?” tetapi juga “Apakah angka risiko yang dilaporkan dapat dipercaya dan mengubah keputusan klinis secara tepat?”

Apakah liquid biopsy akan menggantikan biopsi jaringan?

Belum.

Liquid biopsy mempunyai potensi besar sebagai pemeriksaan komplementer, antara lain untuk:

• menyeleksi individu yang memerlukan pencitraan
• membantu surveilans kelompok berisiko tinggi
• mendeteksi molecular residual disease
• memantau respons terapi
• menemukan resistensi
• melakukan profiling molekuler ketika jaringan sulit diperoleh

Namun, biopsi jaringan masih diperlukan untuk menilai arsitektur histologis, tipe dan derajat tumor, mikroenvironment, invasi, serta berbagai biomarker imunohistokimia.

Pada deteksi dini kanker pankreas, hasil liquid biopsy positif juga harus diikuti oleh lokalisasi lesi. Darah dapat memberikan sinyal bahwa suatu proses neoplastik mungkin terjadi, tetapi dokter tetap perlu mengetahui lokasi, ukuran, resektabilitas, dan hubungan tumor dengan struktur anatomis.

Dengan kata lain, liquid biopsy tidak menggantikan pencitraan atau histopatologi. Teknologi ini lebih mungkin menjadi gerbang awal yang menentukan siapa yang membutuhkan evaluasi lanjutan.

Kesimpulan

AI dan liquid biopsy membuka pendekatan baru dalam deteksi kanker pankreas. Kekuatan utamanya terletak pada kemampuan menggabungkan banyak sinyal biologis yang masing-masing mungkin terlalu lemah bila digunakan sendiri.

Dalam waktu dekat, teknologi ini lebih realistis digunakan sebagai alat bantu pada kelompok berisiko tinggi daripada sebagai skrining massal. Hasil positif juga tetap memerlukan pemeriksaan pencitraan, evaluasi klinis, dan konfirmasi diagnostik.

AI mungkin dapat menemukan pola yang tidak terlihat oleh mata manusia. Namun, untuk mengubah pola tersebut menjadi keputusan klinis yang aman, kita tetap membutuhkan kolaborasi antara dokter spesialis patologi klinik, patologi anatomi, gastroenterologi, bedah, radiologi, onkologi, biologi molekuler, epidemiologi, dan ilmu data.

Pada akhirnya, pertanyaan terpenting bukan:

“Seberapa canggih algoritmenya?”

Melainkan:

“Apakah pemeriksaan tersebut benar-benar menemukan kanker lebih dini, bekerja konsisten pada populasi yang berbeda, dan memberikan manfaat nyata bagi pasien?”

Referensi

1. Ku J, Singhal M, Burnette M, et al. Machine learning and artificial intelligence in liquid biopsy-based early detection of pancreatic cancer: a scoping review. BJC Reports. 2026;4:26. doi:10.1038/s44276-026-00232-y.
2. National Cancer Institute. Pancreatic Cancer Treatment (PDQ®)—Patient Version. National Institutes of Health.
3. National Cancer Institute. New blood markers that may detect early pancreatic cancer. Published January 30, 2026.
4. National Cancer Institute. The search for early detection of pancreatic cancer accelerates: biomarkers. Division of Cancer Prevention.
5. Rayamajhi S, Sipes J, Tetlow AL, Saha S, Bansal A, Godwin AK. Extracellular vesicles as liquid biopsy biomarkers across the cancer journey: from early detection to recurrence. Clinical Chemistry. 2024;70:206–219. doi:10.1093/clinchem/hvad176.
6. Shi W, Wartmann T, Accuffi S, et al. Integrating a microRNA signature as a liquid biopsy-based tool for the early diagnosis and prediction of potential therapeutic targets in pancreatic cancer. British Journal of Cancer. 2024;130:125–134. doi:10.1038/s41416-023-02488-4.
7. Hartwig C, Müller J, Klett H, et al. Discrimination of pancreato-biliary cancer and pancreatitis patients by non-invasive liquid biopsy. Molecular Cancer. 2024;23:28. doi:10.1186/s12943-024-01943-x.
8. Angelioudaki I, Iosif A, Kourou K, et al. A machine-learning approach for pancreatic neoplasia classification based on plasma extracellular vesicles. Frontiers in Oncology. 2025;15:1540195. doi:10.3389/fonc.2025.1540195.
9. Lee JC, Kang SW, Sim EJ, et al. Novel mRNA biomarker-based liquid biopsy for the detection of resectable pancreatic cancer. BMC Cancer. 2025;25:762. doi:10.1186/s12885-025-14124-w.
10. Greenberg ZF, Ali S, Brock A, et al. Nanomaterial-isolated extracellular vesicles enable high-precision identification of tumor biomarkers for pancreatic cancer liquid biopsy. Journal of Nanobiotechnology. 2025;23. doi:10.1186/s12951-025-03527-3.