Cribado no invasivo para el cáncer de ovario mediante la combinación de SERS séricos con modelos de aprendizaje...

Área de la Ciencia:

• Ingeniería Biomédica Ingeniería Biomédica.
• Biología computacional Biología computacional.
• Oncología Oncología.

Sus antecedentes:

• El diagnóstico del cáncer de ovario es un desafío debido a las limitaciones de los métodos de detección actuales, incluidos el costo, la accesibilidad y la exposición a la radiación.
• La detección temprana es crucial para las decisiones de tratamiento y la mejora de la calidad de vida del paciente.
• El desarrollo de técnicas de detección eficientes y no invasivas es una importante necesidad no satisfecha en la oncología ginecológica.

Objetivo del estudio:

• Desarrollar y validar un modelo de diagnóstico no invasivo para la detección del cáncer de ovario utilizando análisis de componentes séricos.
• Para integrar la espectroscopia Raman mejorada en superficie (SERS) con el aprendizaje automático avanzado para la detección precisa de enfermedades.
• Para evaluar el rendimiento de un modelo combinado de Máquina de Aumento de Gradiente de Luz (LightGBM) y Red Neural Profunda (DNN).

Principales métodos:

• Se recogieron espectros SERS de muestras de suero de individuos sanos, pacientes con cáncer de ovario y pacientes con endometrioma ovárico.
• Empleado LightGBM para la selección de características en dos etapas utilizando las puntuaciones de importancia intrínseca y SHapley Additive exPlanation (SHAP) valores.
• Utilizó una Red Neural Profunda (DNN) entrenada a través de la retropagación para la clasificación y optimización del rendimiento.

Principales resultados:

• El modelo de DNN seleccionado por la característica LightGBM logró una precisión del 92,03% en la validación cruzada de cinco veces para distinguir entre muestras sanas, de cáncer de ovario y de endometrioma.
• Se logró una precisión del 86,96% en un conjunto de pruebas independiente.
• El modelo DNN demostró un rendimiento de clasificación superior en comparación con los algoritmos tradicionales de aprendizaje automático.

Conclusiones:

• La integración del SERS sérico con el algoritmo LightGBM-DNN presenta una estrategia viable y prometedora para el cribado no invasivo del cáncer de ovario.
• Este enfoque ofrece el potencial para una detección temprana eficiente y precisa, abordando las limitaciones de los métodos de diagnóstico actuales.
• Una mayor validación clínica podría establecer este método como una herramienta valiosa en el diagnóstico de cáncer ginecológico.