Serum autoantibodies that react with tumor-associated antigens (TAAs) can be used as potential biomarkers for diagnosis of cancer. This study aims to evaluate the immunodiagnostic value of 11 anti-TAAs autoantibodies for detection of breast cancer (BC) and establish a diagnostic model for distinguishing BC from normal human controls (NHC) and benign breast diseases (BBD). Sera from 10 BC patients and 10 NHC were used to detect 11 anti-TAAs autoantibodies by western blotting. The 11 anti-TAAs autoantibodies were further assessed in 983 sera by relative quantitative enzyme-linked immunosorbent assay (ELISA). Binary logistic regression and Fisher linear discriminant analysis were conducted to establish a prediction model by using 184 BC and 184 NHC (training cohort, n = 568) and validated by leave-one-out cross-validation. Logistic regression model was selected to establish the prediction model. Results were validated using an independent validation cohort (n = 415). The five anti-TAAs (p53, cyclinB1, p16, p62, 14-3-3ξ) autoantibodies were selected to construct the model with the area under the curve (AUC) of 0.943 (95% CI, 0.919-0.967) in training cohort and 0.916 (95% CI, 0.886-0.947) in the validation cohort. In the identification of BC and BBD, AUCs were 0.881 (95% CI, 0.848-0.914) and 0.849 (95% CI, 0.803-0.894) in training and validation cohort, respectively. In summary, our study indicates that the immunodiagnostic model can distinguish BC from NHC and BC from BBD and this model may have a potential application in immunodiagnosis of breast cancer.

中文翻译：

---

建立和验证预测乳腺癌的免疫诊断模型。

与肿瘤相关抗原（TAA）反应的血清自身抗体可用作诊断癌症的潜在生物标记。这项研究旨在评估11种抗TAA自身抗体对乳腺癌（BC）的免疫诊断价值，并建立一种区分BC与正常人对照（NHC）和良性乳腺疾病（BBD）的诊断模型。通过蛋白质印迹，使用来自10例BC患者和10例NHC的血清来检测11种抗TAA自身抗体。通过相对定量酶联免疫吸附测定（ELISA）在983血清中进一步评估了11种抗TAA自身抗体。通过使用184 BC和184 NHC（训练队列，n = 568）进行了二元logistic回归和Fisher线性判别分析，以建立预测模型，并通过留一法交叉验证进行了验证。选择Logistic回归模型建立预测模型。使用独立的验证队列（n = 415）验证结果。选择了五个抗TAA（p53，cyclinB1，p16，p62、14-3-3ξ）自身抗体来构建训练队列中曲线下面积（AUC）为0.943（95％CI，0.919-0.967）的模型在验证队列中为0.916（95％CI，0.886-0.947）。在鉴定BC和BBD时，在训练和验证队列中，AUC分别为0.881（95％CI，0.848-0.914）和0.849（95％CI，0.803-0.894）。总而言之，我们的研究表明，该免疫诊断模型可以区分BC与NHC和BC与BBD，并且该模型在乳腺癌的免疫诊断中可能具有潜在的应用。使用独立的验证队列（n = 415）验证结果。选择了五个抗TAA（p53，cyclinB1，p16，p62、14-3-3ξ）自身抗体来构建训练队列中曲线下面积（AUC）为0.943（95％CI，0.919-0.967）的模型在验证队列中为0.916（95％CI，0.886-0.947）。在鉴定BC和BBD时，在训练和验证队列中，AUC分别为0.881（95％CI，0.848-0.914）和0.849（95％CI，0.803-0.894）。总而言之，我们的研究表明，该免疫诊断模型可以区分BC与NHC和BC与BBD，并且该模型在乳腺癌的免疫诊断中可能具有潜在的应用。使用独立的验证队列（n = 415）验证结果。选择了五个抗TAA（p53，cyclinB1，p16，p62、14-3-3ξ）自身抗体来构建训练队列中曲线下面积（AUC）为0.943（95％CI，0.919-0.967）的模型在验证队列中为0.916（95％CI，0.886-0.947）。在鉴定BC和BBD时，在训练和验证队列中，AUC分别为0.881（95％CI，0.848-0.914）和0.849（95％CI，0.803-0.894）。总而言之，我们的研究表明，该免疫诊断模型可以区分BC与NHC和BC与BBD，并且该模型在乳腺癌的免疫诊断中可能具有潜在的应用。培训队列中为967），验证队列中为0.916（95％CI，0.886-0.947）。在鉴定BC和BBD时，在训练和验证队列中，AUC分别为0.881（95％CI，0.848-0.914）和0.849（95％CI，0.803-0.894）。总而言之，我们的研究表明，该免疫诊断模型可以区分BC与NHC和BC与BBD，并且该模型在乳腺癌的免疫诊断中可能具有潜在的应用。培训队列中为967），验证队列中为0.916（95％CI，0.886-0.947）。在鉴定BC和BBD时，在训练和验证队列中，AUC分别为0.881（95％CI，0.848-0.914）和0.849（95％CI，0.803-0.894）。总而言之，我们的研究表明，该免疫诊断模型可以区分BC与NHC和BC与BBD，并且该模型在乳腺癌的免疫诊断中可能具有潜在的应用。