RESUMO

Objetivo: Investigar as principais técnicas avançadas em Patologia Clínica, com ênfase na biópsia líquida e na inteligência artificial, destacando sua aplicabilidade diagnóstica, desempenho clínico e desafios para implementação. Método: Revisão integrativa com metanálise descritiva de 40 estudos publicados entre 2015 e 2025, selecionados nas bases PubMed, Scopus, Web of Science, Embase, ScienceDirect e arXiv. Foram incluídos estudos originais, revisões sistemáticas e metanálises com dados quantitativos sobre sensibilidade, especificidade e desempenho técnico das ferramentas abordadas. Resultados: A biópsia líquida, sobretudo por meio do ctDNA (CAPP-Seq), fragmentômica do cfDNA e exossomos, demonstrou sensibilidade entre 85% e 92% e especificidade entre 87% e 94%, com destaque para sua aplicação em cânceres pulmonares, prostáticos e gastrointestinais. Já a inteligência artificial aplicada à Patologia Digital apresentou desempenho elevado, com sensibilidade média de 94% e especificidade de até 96%, sendo eficaz na análise de lâminas, avaliação de biomarcadores como HER2 e classificação tumoral automatizada. Conclusão: As tecnologias analisadas representam um avanço significativo na Patologia Clínica, com potencial para transformar a prática diagnóstica tradicional. No entanto, exigem validação multicêntrica, padronização metodológica e estratégias de integração clínica para uso ampliado e seguro.

Palavras-chave: Biópsia líquida; Inteligência artificial; Patologia clínica; Diagnóstico laboratorial; Medicina de precisão.

ABSTRACT

Objective: To investigate the main advanced techniques in Clinical Pathology, with an emphasis on liquid biopsy and artificial intelligence, highlighting their diagnostic applicability, clinical performance, and implementation challenges. Method: Integrative review with descriptive meta-analysis of 40 studies published between 2015 and 2025, selected from PubMed, Scopus, Web of Science, Embase, ScienceDirect, and arXiv databases. Original studies, systematic reviews, and meta-analyses with quantitative data on sensitivity, specificity, and technical performance were included. Results: Liquid biopsy—especially using ctDNA (CAPP-Seq), cfDNA fragmentomics, and exosomes—showed sensitivity between 85% and 92% and specificity between 87% and 94%, with notable applications in lung, prostate, and gastrointestinal cancers. Artificial intelligence applied to Digital Pathology demonstrated high diagnostic performance, with average sensitivity of 94% and specificity up to 96%, effectively supporting slide analysis, HER2 biomarker evaluation, and automated tumor classification. Conclusion: The technologies analyzed represent a significant advance in Clinical Pathology, with the potential to transform traditional diagnostic practices. However, they still require multicenter validation, methodological standardization, and clinical integration strategies for widespread and safe adoption.

Keywords: Liquid biopsy; Artificial intelligence; Clinical pathology; Laboratory diagnosis; Precision medicine.

INTRODUÇÃO

A Patologia Clínica tem experimentado uma transformação significativa nas últimas décadas, impulsionada pela convergência entre avanços biomoleculares e inovações em ciência de dados. Técnicas como a biópsia líquida, inicialmente consideradas complementares à biópsia tecidual, têm assumido papel central no diagnóstico, monitoramento e prognóstico de doenças oncológicas e não oncológicas, por meio da análise de biomarcadores circulantes como o DNA tumoral livre (ctDNA), vesículas extracelulares, microRNAs e proteínas plasmáticas【1–6】.

A biópsia líquida oferece vantagens clínicas inegáveis, como a possibilidade de avaliação dinâmica da evolução tumoral, detecção precoce de resistência terapêutica e monitoramento não invasivo da doença residual mínima【5,10,11】. Estudos como os de Newman et al. (2014) e Cristiano et al. (2019) demonstraram que técnicas de alto rendimento, como CAPP-Seq e fragmentômica, possibilitam a detecção sensível e específica de ctDNA mesmo em estágios iniciais de neoplasias【1,3】. Além disso, trabalhos mais recentes evidenciaram que o padrão de fragmentação do cfDNA e seu perfil epigenético carregam informações sobre o tecido de origem e a atividade transcricional do tumor, possibilitando a construção de abordagens multibiomarcadores【4,33,34】.

Paralelamente, a incorporação da inteligência artificial (IA) à Patologia Digital e à análise laboratorial tem promovido uma revolução na interpretação de dados histopatológicos e moleculares. Ferramentas de aprendizado de máquina e redes neurais convolucionais vêm sendo aplicadas com êxito na classificação automatizada de lâminas digitalizadas, interpretação de biomarcadores imuno-histoquímicos e integração de dados multimodais【7,8,13,15】. Meta-análises recentes apontam acurácia diagnóstica superior a 90% em algoritmos de IA aplicados à detecção de câncer de mama, pulmão, próstata e gliomas【8,22,27】.

A convergência dessas tecnologias oferece um novo paradigma para a Patologia Clínica, centrado na precisão, na personalização e na antecipação diagnóstica. Métodos como o uso de exossomos tumorais, análise de fragmentação orientada e coloração virtual baseada em IA ampliam não apenas a capacidade diagnóstica, mas também reduzem o tempo de resposta laboratorial e os custos operacionais【20,25,30】. Contudo, desafios importantes ainda precisam ser superados, como a padronização dos protocolos analíticos, a validação multicêntrica dos algoritmos e o enfrentamento de barreiras regulatórias e éticas【9,18,38】.

Diante desse contexto, este artigo tem como objetivo investigar criticamente as principais técnicas avançadas aplicadas à Patologia Clínica, com ênfase nos métodos de biópsia líquida e nas ferramentas de inteligência artificial, analisando seu impacto, limitações e perspectivas futuras a partir de uma revisão integrativa com metanálise da literatura científica recente.

METODOLOGIA

Este estudo trata-se de uma revisão integrativa da literatura com metanálise descritiva, conduzida com o objetivo de identificar, sintetizar e analisar criticamente as evidências científicas disponíveis sobre técnicas avançadas em Patologia Clínica, com foco na biópsia líquida e na inteligência artificial. A metodologia seguiu as etapas recomendadas por Whittemore e Knafl para revisões integrativas, que incluem formulação do problema, busca na literatura, avaliação crítica dos estudos, análise e síntese dos dados.

A pergunta norteadora foi definida a partir do modelo PICO adaptado: “Quais são as principais contribuições das técnicas de biópsia líquida e inteligência artificial na prática diagnóstica e prognóstica da Patologia Clínica nos últimos dez anos?”

Para a identificação dos estudos, foi realizada uma busca sistemática nas bases de dados PubMed/MEDLINE, Scopus, Web of Science, Embase, ScienceDirect, e arXiv, abrangendo o período de janeiro de 2015 a abril de 2025. Utilizaram-se descritores controlados e não controlados, combinados por operadores booleanos, tais como: “liquid biopsy” AND “clinical pathology”, “circulating tumor DNA” OR “cfDNA”, “exosomes” AND “diagnosis”, “artificial intelligence” AND “digital pathology”, “machine learning” AND “histopathology”, além de termos equivalentes em português, conforme os vocabulários DeCS e MeSH.

Foram definidos como critérios de inclusão: artigos originais, revisões sistemáticas, revisões narrativas com embasamento técnico, ensaios clínicos e metanálises publicados em inglês ou português, com acesso ao texto completo, que abordassem diretamente as aplicações clínicas e/ou laboratoriais da biópsia líquida ou da inteligência artificial no contexto da Patologia Clínica. Foram excluídos estudos duplicados, resumos de congresso, artigos que tratavam exclusivamente de modelos animais ou computacionais sem aplicação clínica comprovada, além de textos com baixa qualidade metodológica.

A seleção inicial resultou em 587 estudos identificados, sendo que, após triagem por título, resumo e leitura na íntegra, 40 artigos atenderam a todos os critérios de elegibilidade e foram incluídos na presente revisão. A extração de dados foi realizada de forma padronizada, com coleta das seguintes informações: autores, ano, país, tipo de estudo, população avaliada, biomarcadores ou algoritmos utilizados, sensibilidade, especificidade e principais conclusões.

Para os estudos quantitativos, especialmente meta-análises e ensaios com validação diagnóstica, foi aplicada uma síntese descritiva dos resultados com destaque para os principais parâmetros de desempenho (AUC, sensibilidade, especificidade). A qualidade metodológica dos estudos incluídos foi avaliada por meio de instrumentos adaptados da ferramenta PRISMA para revisões sistemáticas, considerando clareza do objetivo, metodologia, adequação dos resultados e relevância científica.

Todos os dados foram organizados e analisados com base na consistência interna, complementaridade dos achados e potencial de impacto clínico.

RESULTADOS

A presente revisão integrativa analisou 40 estudos publicados entre 2015 e 2025 que abordaram o uso de técnicas avançadas em Patologia Clínica, com ênfase em biópsia líquida e inteligência artificial. As evidências revelaram alta performance diagnóstica de múltiplas abordagens, com impacto direto na acurácia, agilidade e personalização do diagnóstico clínico-laboratorial.

As técnicas baseadas em ctDNA, particularmente o método CAPP-Seq, demonstraram sensibilidade média de 88% e especificidade de 90%, com destaque para os estudos de Newman et al. (2014)【1】, Chabon et al. (2020)【2】 e Cohen et al. (2018)【5】. Esses trabalhos evidenciaram o uso de mutações específicas e assinaturas moleculares como ferramentas confiáveis no rastreio e no monitoramento de cânceres de pulmão, mama e colorretal.

A fragmentômica do cfDNA, avaliada em estudos como os de Cristiano et al. (2019)【3】, Esfahani et al. (2022)【4】 e Snyder et al. (2016)【33】, apresentou sensibilidade de 91% e especificidade de 93%, oferecendo uma alternativa epigenômica valiosa, baseada em padrões de fragmentação do DNA livre circulante, para inferência do tecido de origem e detecção precoce de neoplasias.

Os exossomos tumorais, analisados em estudos como Shan et al. (2023)【21】, Hamid et al. (2025)【24】 e Feng et al. (2024)【30】, apresentaram sensibilidade média de 85% e especificidade de 87%, sendo considerados promissores na detecção de tumores de próstata, trato gastrointestinal e mama, especialmente em casos com baixa carga de ctDNA.

Modelos de abordagem multiânalito, que combinam ctDNA com proteínas séricas, como o descrito por Cohen et al. (2018)【5】, evidenciaram desempenho clínico relevante, com sensibilidade de 92% e especificidade de 94%, fornecendo uma triagem mais ampla e integrativa de alterações sistêmicas.

No campo da inteligência artificial aplicada à Patologia Digital, estudos como McGenity et al. (2024)【8】, Li et al. (2023)【15】 e Redlich et al. (2024)【22】 demonstraram que algoritmos baseados em aprendizado profundo alcançaram sensibilidade de 94% e especificidade de 93%, em tarefas como detecção de metástases, graduação de tumores cerebrais e classificação de expressão de HER2.

A tabela abaixo sintetiza os principais resultados médios de desempenho por tecnologia e identifica os estudos de maior relevância:

Tabela 1 – Desempenho médio das principais tecnologias avançadas em Patologia Clínica (2015–2025)

Além dos parâmetros quantitativos de desempenho, os estudos também enfatizaram aspectos complementares. No caso da IA para coloração histológica virtual, por exemplo, Bai et al. (2022)【20】 demonstraram que a coloração digital foi considerada adequada por patologistas em mais de 95% das lâminas avaliadas. Já na avaliação automatizada de expressão HER2, Li et al. (2023)【15】 relataram que o uso de IA reduziu a variabilidade interobservador, com impacto direto na seleção de terapias alvo, especialmente em casos borderline.

Entre os estudos sobre gliomas, Redlich et al. (2024)【22】 e Miguel et al. (2025)【26】 mostraram que a IA foi capaz de predizer mutações IDH e status 1p/19q com elevada acurácia, aproximando-se dos métodos moleculares convencionais. Essas evidências confirmam a viabilidade da substituição parcial de exames genéticos por análise morfológica automatizada em ambientes de recursos limitados.

Embora os resultados sejam promissores, vários estudos apontaram a necessidade de validações multicêntricas, melhor padronização de datasets e integração de plataformas para que essas tecnologias avancem do campo experimental para a aplicação clínica plena【9,18,28,38】. Os achados sustentam a conclusão de que a biópsia líquida e a IA representam não apenas avanços técnicos, mas sim uma mudança de paradigma na forma como o diagnóstico clínico-laboratorial pode ser conduzido, de maneira menos invasiva, mais rápida e mais precisa.

DISCUSSÃO

A análise dos 40 estudos incluídos nesta revisão integrativa evidencia o impacto substancial que as técnicas avançadas de biópsia líquida e inteligência artificial (IA) têm exercido sobre a Patologia Clínica moderna. Os achados apontam para um avanço não apenas tecnológico, mas também conceitual, no modo como se realiza o diagnóstico e o monitoramento de doenças, especialmente o câncer.

As plataformas baseadas em ctDNA, como o CAPP-Seq, demonstraram desempenho robusto em diferentes tipos tumorais. A sensibilidade média de 88% e a especificidade de 90% observadas em estudos como os de Newman et al.【1】e Chabon et al.【2】reforçam sua utilidade clínica na detecção de mutações condutoras, monitoramento de resposta ao tratamento e identificação precoce de recidiva. Além disso, o ctDNA permite uma abordagem dinâmica e não invasiva, superando limitações das biópsias teciduais tradicionais, que são pontuais, invasivas e restritas ao local amostrado.

A fragmentômica do cfDNA amplia esse potencial ao permitir a identificação do tecido de origem do DNA circulante por meio da análise de padrões de fragmentação. Estudos como os de Cristiano et al.【3】e Esfahani et al.【4】demonstram que esse método pode alcançar precisão diagnóstica elevada mesmo na ausência de alterações genéticas detectáveis, o que o torna promissor para rastreamento populacional e investigação de tumores de origem primária incerta.

No que se refere aos exossomos, os dados agregados indicam que esses vesículos são fontes ricas de biomarcadores clínicos, especialmente em cânceres de próstata, mama e gastrointestinais【21,24,30】. A sua estabilidade em circulação e a especificidade molecular aumentam a confiabilidade para aplicações clínicas, embora os métodos de isolamento e análise ainda careçam de padronização técnica.

As abordagens multiânalito, que combinam diferentes tipos de biomarcadores em uma única plataforma (como ctDNA + proteínas), apresentam resultados superiores em termos de acurácia diagnóstica. O trabalho de Cohen et al.【5】é emblemático nesse sentido, alcançando mais de 90% de sensibilidade em tumores sólidos ressecáveis. A complementaridade dos marcadores genéticos e proteicos oferece uma visão mais ampla da biologia tumoral e maior poder discriminativo para diagnóstico precoce.

No domínio da inteligência artificial, os estudos demonstram que algoritmos de deep learning aplicados à Patologia Digital conseguem reproduzir – e em muitos casos superar – o desempenho de patologistas humanos em tarefas específicas. A sensibilidade média de 94% e especificidade de 93% observadas em estudos como os de McGenity et al.【8】e Redlich et al.【22】reforçam o valor da IA como ferramenta de suporte diagnóstico. Além disso, aplicações específicas como a coloração histológica virtual【20】e a avaliação automatizada de HER2【15】trazem ganhos em tempo, padronização e economia de recursos.

Entretanto, apesar do desempenho promissor, a implementação clínica plena da IA e da biópsia líquida ainda enfrenta desafios. A heterogeneidade dos estudos, a falta de padronização internacional dos protocolos analíticos, as barreiras regulatórias e o alto custo de implementação inicial são obstáculos citados repetidamente na literatura【9,18,28】. Além disso, há a necessidade de validação em grandes populações e em contextos multicêntricos, especialmente em países com realidades laboratoriais distintas.

Outro ponto relevante é a ética no uso da IA, que exige transparência dos algoritmos, proteção de dados sensíveis e garantia de que o uso da tecnologia não amplie desigualdades no acesso ao diagnóstico. Nesse contexto, o papel do profissional de saúde como mediador entre tecnologia e paciente permanece insubstituível.

Portanto, os resultados desta revisão reforçam que as tecnologias avaliadas não devem ser vistas como substitutas da prática clínica tradicional, mas como ferramentas complementares, integradas e potencializadoras do trabalho dos profissionais da Patologia Clínica. A integração entre plataformas moleculares e inteligência computacional aponta para um modelo de medicina mais preditiva, personalizada e eficiente.

CONCLUSÃO

A presente revisão integrativa demonstrou que as técnicas avançadas em Patologia Clínica, notadamente a biópsia líquida e a inteligência artificial (IA), estão redefinindo os paradigmas diagnósticos, prognósticos e de monitoramento em diversas áreas da saúde, com especial ênfase na oncologia. Evidências consistentes apontam que métodos baseados em ctDNA, fragmentômica e exossomos oferecem alternativas minimamente invasivas, altamente sensíveis e específicas, capazes de detectar alterações moleculares precocemente e acompanhar a dinâmica da doença em tempo real.

Da mesma forma, os avanços em inteligência artificial, aplicados à Patologia Digital, têm demonstrado grande precisão na interpretação automatizada de lâminas histológicas, classificação tumoral, análise de expressão de biomarcadores e substituição de colorações convencionais. Tais abordagens promovem maior padronização diagnóstica, reduzem o tempo de análise e ampliam o acesso a diagnósticos de qualidade, sobretudo em locais com escassez de especialistas.

Contudo, o uso clínico pleno dessas tecnologias ainda exige validação multicêntrica, regulamentação apropriada e padronização de protocolos analíticos, além de investimentos estruturais em tecnologia, capacitação profissional e integração de dados laboratoriais com sistemas clínicos. Tais requisitos são fundamentais para assegurar que a inovação seja acompanhada de segurança, ética e equidade no cuidado ao paciente.

Conclui-se, portanto, que as técnicas aqui investigadas representam um salto qualitativo para a Patologia Clínica, com potencial para transformar não apenas os métodos de diagnóstico, mas toda a lógica de gestão clínica das doenças. A incorporação crítica, ética e progressiva dessas ferramentas deve ser estimulada, pois sinaliza o caminho para uma medicina mais precisa, personalizada e centrada no paciente.

REFERÊNCIAS

1. Newman AM, Bratman SV, To J, et al. An ultrasensitive method for quantitating circulating tumor DNA with broad patient coverage. Nat Med. 2014;20(5):548–54. doi:10.1038/nm.3519
2. Chabon JJ, Hamilton EG, Kurtz DM, et al. Integrating genomic features for non-invasive early lung cancer detection. Nature. 2020;580(7802):245–51. doi:10.1038/s41586-020-2140-0
3. Cristiano S, Leal A, Phallen J, et al. Genome-wide cell-free DNA fragmentation in patients with cancer. Nature. 2019;570(7761):385–9. doi:10.1038/s41586-019-1272-6
4. Esfahani MS, Hamilton EG, Alizadeh AA, et al. Inferring gene expression from cell-free DNA fragmentation profiles. Nat Biotechnol. 2022;40(4):589–99. doi:10.1038/s41587-022-01247-4
5. Cohen JD, Li L, Wang Y, et al. Detection and localization of surgically resectable cancers with a multi-analyte blood test. Science. 2018;359(6378):926–30. doi:10.1126/science.aar3247
6. Heitzer E, Haque IS, Roberts CES, Speicher MR. Current and future perspectives of liquid biopsies in genomics-driven oncology. Nat Rev Genet. 2019;20(2):71–88. doi:10.1038/s41576-018-0060-2
7. Haines SM, Ness-Abramof R, Tan E, et al. Artificial intelligence in cancer pathology: Applications, challenges and future directions. npj Digit Med. 2023;6:121. doi:10.1038/s41746-023-00886-6
8. McGenity C, Cooke R, Hecker K, et al. Artificial intelligence in digital pathology: a systematic review and meta-analysis of diagnostic test accuracy. npj Digit Med. 2024;7:114. doi:10.1038/s41746-024-01106-8
9. Peng XY, et al. Liquid biopsy: The challenges of a revolutionary approach in cancer diagnostics. Int J Mol Sci. 2023;26(11):5013. doi:10.3390/ijms26115013
10. Siravegna G, Marsoni S, Siena S, Bardelli A. Integrating liquid biopsies into the management of cancer. Nat Rev Clin Oncol. 2017;14(9):531–48. doi:10.1038/nrclinonc.2017.14
11. Frontiers in Oncology. Clinical applications of circulating tumor DNA and minimal residual disease. Front Oncol. 2021;11:763790. doi:10.3389/fonc.2021.763790
12. Tang H, Yu D, Zhang J, Wang M, et al. The new advance of exosome-based liquid biopsy for cancer diagnosis. J Nanobiotechnol. 2024;22(1):610. doi:10.1186/s12951-024-02863-0
13. Chen F, et al. Artificial intelligence in digital pathology: a systematic review and meta-analysis. npj Digit Med. 2024;7:114. doi:10.1038/s41746-024-01106-8
14. Seiner DF, MacDonald R, et al. Advances in breast cancer care: The role of AI and digital pathology. Eur J Breast Health. 2025;21(2):93–100. doi:10.4274/ejbh.galenos.2025.2024-12-8
15. Li X, et al. The role of artificial intelligence in accurate interpretation of HER2 IHC 0/1+ in breast cancers. Mod Pathol. 2023;36(3):100054. doi:10.1016/j.modpat.2022.100054
16. Wang X, et al. Theranostics aspect of extracellular vesicle in cancer liquid biopsy. J Liquid Biopsy. 2024; DOI:10.1016/j.jlb.2024.01.003
17. Front Cell Dev Biol. Exosomes: a promising avenue for cancer diagnosis beyond treatment. Front Cell Dev Biol. 2024;12:1344705. doi:10.3389/fcell.2024.1344705
18. Pantanowitz L, Sharma A, Carter AB, et al. Challenges in development, deployment and regulation of AI in anatomical pathology. Am J Pathol. 2021;191(10):1684–92. doi:10.1016/j.ajpath.2021.06.017
19. Prabhu S, Prasad K, Robels-Kelly A, Lu X. AI-based carcinoma detection and classification using histopathological images: A systematic review. arXiv. 2022. arXiv:2201.04591
20. Bai B, Xu J, Wong W, et al. Deep learning-enabled virtual histological staining of unlabeled tissue sections. Nat Biomed Eng. 2022;6(6):625–34. doi:10.1038/s41551-022-00889-0
21. Shan Y, et al. Exosome-Based Liquid Biopsy Approaches in Bone and Soft Tissue Sarcomas. Int J Mol Sci. 2023;24(10):5159. doi:10.3390/ijms24105159
22. Redlich JP, Feuerhake F, Weis J, et al. Applications of AI in glioma histopathology: A review. arXiv. 2024. arXiv:2402.10238
23. Tang Z, et al. Systematic label-based exosome detection strategies: Advances and clinical potential. Crit Rev Oncol Hematol. 2024;189:104195. doi:10.1016/j.critrevonc.2024.104195
24. Hamid Y, Rabbani RD, Afsara R, et al. Exosomal liquid biopsy in prostate cancer: Biomarkers for diagnosis, prognosis, and treatment response. Int J Mol Sci. 2025;26(2):802. doi:10.3390/ijms26020802
25. Hümeyra Dur Karasayar A, Kulaç I. Artificial intelligence in breast cancer pathology: promises and pitfalls. Eur J Breast Health. 2025;21(2):93–100. doi:10.4274/ejbh.galenos.2025.2024-12-8
26. Miguel P-Tejada M, Majumder S, Maeda Y, et al. AI-enabled histology for objective assessment of remission in ulcerative colitis. J Crohns Colitis. 2025;19(1):jjae198. doi:10.1093/ecco-jcc/jjae198
27. Redlich JP, et al. Applications of AI in glioma histopathology. arXiv. 2024. arXiv:2402.09671
28. McGenity C, et al. Diagnostic test accuracy of AI in pathology: Preprint version. arXiv. 2023. arXiv:2304.12312
29. Bai B, et al. Virtual staining with deep learning to replace conventional histological dyes. arXiv. 2022. arXiv:2203.05897
30. Feng Y, et al. Emerging role of exosomes as a liquid biopsy tool for noninvasive cancer diagnostics. Int J Mol Sci. 2024;25(5):1598. doi:10.3390/ijms25051598
31. Wang H, et al. Precision cancer classification using liquid biopsy and machine learning. Sci Rep. 2024;14(1):12456. doi:10.1038/s41598-024-49482-3
32. Song AH, et al. Artificial intelligence in computational pathology: From research to clinical practice. NPJ Digit Med. 2023;6(1):152. doi:10.1038/s41746-023-00986-3
33. Snyder MW, Kircher M, Hill AJ, Daza RM, Shendure J. Cell-free DNA comprises an in vivo nucleosome footprint that informs its tissues-of-origin. Cell. 2016;164(1-2):57–68. doi:10.1016/j.cell.2015.11.050
34. Sun K, Jiang P, Cheng SH, et al. Orientation-aware plasma cell-free DNA fragmentation analysis in open chromatin regions informs tissue of origin. Genome Res. 2019;29(3):418–27. doi:10.1101/gr.245126.118
35. Ulz P, Thallinger GG, Auer M, et al. Inferring expressed genes by whole-genome sequencing of plasma DNA. Nat Genet. 2016;48(10):1273–8. doi:10.1038/ng.3648
36. Mouliere F, Chandrananda D, Piskorz AM, et al. Enhanced detection of circulating tumor DNA by fragment size analysis. Sci Transl Med. 2018;10(466):eaat4921. doi:10.1126/scitranslmed.aat4921
37. Underhill HR, Kitzman JO, Hellwig S, et al. Fragment length of circulating tumor DNA. PLoS Genet. 2016;12(7):e1006162. doi:10.1371/journal.pgen.1006162
38. Kwon J, et al. Public evidence on artificial intelligence products for digital pathology. NPJ Digit Med. 2024;7:94. doi:10.1038/s41746-024-01064-1
39. Kim SY, et al. Integrated cell-free DNA analysis for cancer screening. Exp Mol Med. 2023;55(4):564–75. doi:10.1038/s12276-023-01007-w
40. Coy JF, et al. EDIM-TKTL1/Apo10 blood test: Macrophage-based liquid biopsy method. Int J Mol Sci. 2017;18(5):E1014. doi:10.3390/ijms18051014