使用质谱成像与机器学习相结合,区分细胞癌与正常脏组织

科学领域:

• 在瘤学瘤学.
• 分析化学 分析化学
• 计算生物学 计算生物学

背景情况:

• 从正常脏组织中准确识别细胞癌 (RCC) 对于在腎切除术期间评估外科边缘至关重要.
• 目前的方法,如手术内冷截面 (IFS) 分析,在准确性和速度上都有局限性.
• 改进的技术可以降低重新手术率,患者焦虑和医疗保健成本.

研究的目的:

• 扩展一种联合的消毒喷射电离化质谱成像 (DESI-MSI) 和机器学习方法.
• 确定能够区分正常脏组织与透明细胞RCC (ccRCC),乳头RCC (pRCC) 和染色恐惧RCC (chRCC) 组织的代谢物和脂类物种.

主要方法:

• 使用DESI-MSI分析24个正常和40个RCC组织的代谢物和脂质资料.
• 开发了一种多项拉索分类器,以识别区分分子特征.
• 在斯坦福和贝勒-UT奥斯的独立测试集上验证了分类器.

主要成果:

• 该分类器从超过27,000个物种中识别了281个分析物,以84.5%的准确度将RCC亚型与正常组织区分开来.
• 在斯坦福测试套件中达到85.4%的准确性,在贝勒-UT奥斯测试套件中达到91.2%.
• 确定了抑制的酸代谢作为ccRCC和pRCC的共同特征.

结论:

• 与机器学习相结合的DESI-MSI可以快速确定外科手术边缘状态.
• 开发的方法的准确性达到或超过IFS分析的准确性.
• 这种方法有可能改善癌手术患者的治疗结果.