سرطان‌های متاستاتیک مسئول بیشتر مرگ و میرهای مرتبط با سرطان هستند، بنابراین ساخت روش‌هایی جهت تشخیص زودهنگام سرطان برای بهبود نرخ بقای بیماران نیاز است. در یک پیشرفت پیشگامانه، محققان دانشگاه کمبریج، با تاکید بر نقش تغییرات اپی‌ژنتیکی (مانند متیلاسیون DNA) در سرطان‌زایی و چگونگی عمل این تغییرات به عنوان سیگنال‌های اولیه برای تشخیص_سرطان، یک مدل یادگیری ماشینی قابل تفسیر به نام EMethylNET را توسعه داده‌اند که می‌تواند 13 نوع سرطان و همچنین نمونه بافت غیرسرطانی را با دقت قابل‌توجهی (98.2%) طبقه‌بندی کند. این مطالعه همچنین بخش قابل توجهی از RNAهای طولانی غیر کدکننده (lncRNAs) را در لیست ژن‌ها یافت که با علائم مشخصه‌ی سرطان مرتبط هستند. موفقیت این مدل به دلیل توانایی آن در شناسایی جایگاه‌های ژنومی مرتبط با متیلاسیون ژن‌ها، مسیرها و شبکه‌های مرتبط با سرطان می‌باشد. این مسئله نه تنها بینش‌هایی را در مورد تنظیم اپی‌ژنومیک سرطان‌زایی ارائه می‌دهد، بلکه یک راه امیدوارکننده بیومارکرهای پروگنوستیک هم ارایه می دهد.