In this study, we develop a stacked ensemble model that utilizes cell-free DNA (cfDNA) fragmentomics for the early detection of esophageal squamous cell carcinoma (ESCC). This model incorporates four distinct fragmentomics features derived from whole-genome sequencing (WGS) and advanced machine learning algorithms for robust analysis. It is validated across both an independent validation cohort and an external cohort to ensure its generalizability and effectiveness. Notably, the model maintains its robustness in low-coverage sequencing environments, demonstrating its potentials in clinical settings with limited sequencing resources. With its remarkable sensitivity and specificity, this approach promises to significantly improve the early diagnosis and management of ESCC. This study represents a substantial step forward in the application of cfDNA fragmentomics in cancer diagnostics, emphasizing the need for further research to fully establish its clinical efficacy.

AMT (Audio Magnetotelluric) is widely used for obtaining geological settings related to sandstone-type Uranium deposits, such as the range of buried sand body and the top boundary of baserock. However, these geological settings are hard to interpret via survey sections without conducting geological interpretation, which highly relies heavily on experience and cognition. On the other hand, with the development of 3D technology, artificial geological interpretation shows low efficiency and reliability. In this paper, a machine learning model constructed using U-net was used for the geological interpretation of AMT data in the Naren-Yihegaole area. To train the model, a training dataset was built based on simulated data from random simulated models. The issue of insufficient data samples has been addressed. In the prediction stage, sand bodies and baserock were delineated from the inversion resistivity images. The comparison between two interpretations, one by machine learning method, showed high consistency with the artificial one, but with better time-saving. It indicates that this technology is more individualized and effective than the traditional way.

4054 Background: In this study, we developed a stacked ensemble model that leverages cell-free DNA (cfDNA) fragmentation for the early detection of esophageal squamous cell carcinoma (ESCC). The model combined four fragmentomics features obtained from whole genome sequencing (WGS) and employed four machine learning algorithms. We evaluated the model’s generalizability in an independent validation cohort and an external cohort collected at different center. Additionally, the model’s robustness and repeatability were assessed across low coverage and repeated measured samples. The results underscore the promising potential of our model as an effective strategy for early diagnosis and management of ESCC in clinical settings. Methods: 256 healthy individuals and 243 patients diagnosed with esophageal cancer were enrolled in this study, including 47 healthy participants and 44 patients in the external cohort. Plasma samples from all participants were profiled by whole-genome sequencing (WGS). Fragmentomic features encompassed copy number variation (CNV), fragmentation size coverage (FSC), fragmentation size distribution (FSD), and nucleosome positioning (NP) were incorporated alongside machine learning models to develop an optimized classification model. The model generated a cancer score ranging from 0 to 1 for each cancer and noncancer sample, with a score closer to 1 indicating a higher probability of cancer. The performance of this model was assessed using an independent validation cohort and an external cohort, and model’s robustness and reproducibility were examined. Results: A stacked ensemble model was developed by integrating four cfDNA features and four machine learning algorithms. This integrated model exhibiting remarkable sensitivity of 91.8% (89/97) and specificity of 98.1% (102/104), and AUC of 0.986 in the independent validation cohorts using the cut-off of 0.69 selected at a specificity level of 98% (105) in the training cohort. The external cohort demonstrated a sensitivity of 86.4% (38/44) and a specificity of 95.7% (45/47) with the same cut-off. The model's performance remained consistent even at low sequencing coverage depths of 0.5× (AUC 0.978), providing valuable insights into the resilience and stability of our methodology and ascertained its practical applicability in scenarios with limited sequencing resources or constraints. Furthermore, our model demonstrated sensitivity in identifying early pathological features, with a sensitivity of 94.1% (16/17) for stage I and 91.4% (53/58) for tumors smaller than 3 cm. Conclusions: A stacked ensemble model was implemented in this study, utilizing cfDNA fragmentomics features with exceptional sensitivity for early detection of esophageal squamous cell carcinoma. The anticipated impact of this model is the enhancement of early detection strategies for esophageal cancer in clinical setting.