Východiská: Endometriálny karcinóm (EC) je najčastejšou rakovinou ženského reprodukčného traktu vo vyspelých krajinách. Prognóza a päťročná miera prežitia úzko súvisia so štádiom pri diagnostikovaní. Súčasné rutinné diagnostické metódy EC sú buď málo špecifické alebo pre pacientku nepríjemné, invazívne a bolestivé. Aktuálne je zlatým diagnostickým štandardom endometriálna biopsia. Včasná a neinvazívnu diagnostika EC vyžaduje identifikáciu nových markerov ochorenia a skríningový test aplikovateľný do rutinnej laboratórnej diagnostiky. Aplikácia necielenej metabolomiky v kombinácii s nástrojmi umelej inteligencie a bioštatistiky má potenciál kvalitatívne a kvantitatívne prezentovať metabolóm, ale jej zavedenie do rutinnej diagnostiky je z dôvodu finančnej, časovej aj interpretačnej náročnosti v súčasnosti nereálne. Fluorescenčná spektrálna analýza telových tekutín využíva autofluorescenciu určitých metabolitov na definovanie zloženia metabolómu za fyziologických podmienok. Cieľ: Tento prehľadový článok poukazuje na potenciál fluorescenčnej spektroskopie pri včasnej detekcii EC. Dáta získané trojrozmernou fluorescenčnou spektroskopiou definujú kvantitatívne aj kvalitatívne zloženie komplexného fluorescenčného metabolómu a sú vhodné na identifikáciu biochemických metabolických zmien spojených s karcinogenézou endometria. Autofluorescencia biologických tekutín má perspektívu poskytnúť nové molekulové markery EC. Integráciou algoritmov strojového učenia a umelej inteligencie pri dátovej analýze fluorescenčného metabolómu má táto technika veľký potenciál byť implementovaná do rutinnej laboratórnej diagnostiky.

Background: Endometrial carcinoma (EC) is the most common cancer of the female reproductive tract in developed countries. The prognosis and 5-year survival rates are closely tied to the stage diagnosis. Current routine diagnostic methods of EC are either lacking specificity or are uncomfortable, invasive and painful for the patient. As of now, the gold diagnostic standard is endometrial biopsy. Early and non-invasive diagnosis of EC requires the identification of new biomarkers of disease and a screening test applicable to routine laboratory diagnostics. The application of untargeted metabolomics combined with artificial intelligence and biostatistics tools has the potential to qualitatively and quantitatively represent the metabolome, but its introduction into routine diagnostics is currently unrealistic due to the financial, time and interpretation challenges. Fluorescence spectral analysis of body fluids utilizes autofluorescence of certain metabolites to define the composition of the metabolome under physiological conditions. Purpose: This review highlights the potential of fluorescence spectroscopy in the early detection of EC. Data obtained by three-dimensional fluorescence spectroscopy define the quantitative and qualitative composition of the complex fluorescent metabolome and are useful for identifying biochemical metabolic changes associated with endometrial carcinogenesis. Autofluorescence of biological fluids has the prospect of providing new molecular markers of EC. By integrating machine learning and artificial intelligence algorithms in the data analysis of the fluorescent metabolome, this technique has great potential to be implemented in routine laboratory diagnostics.

• MeSH
• Diagnostic Techniques and Procedures MeSH
• Spectrometry, Fluorescence methods   MeSH
• Humans MeSH
• Metabolomics methods   MeSH
• Endometrial Neoplasms * diagnostic imaging   metabolism   MeSH
• Optical Imaging * methods   MeSH
• Body Fluids diagnostic imaging   MeSH
• Tryptophan physiology   metabolism   MeSH
• Uterus diagnostic imaging   MeSH
• Check Tag
• Humans MeSH
• Female MeSH
• Publication type
• Research Support, Non-U.S. Gov't MeSH
• Review MeSH