机器学习允许使用高分辨率AFM成像粘附地图区分癌前和癌症的人类上皮细胞

科学领域:

• 生物物理学的生物物理.
• 细胞生物学 细胞生物学
• 医疗技术 医疗技术 医学技术

背景情况:

• 原子力显微镜 (AFM) 粘附图以前使用碎形维度区分正常与癌症/癌前宫细胞,但在癌前和癌症阶段之间精度有限 (AUC 0.79).
• 准确区分前恶性和恶性宫细胞在临床上对于有效的癌症管理至关重要.

研究的目的:

• 为了提高癌前与癌前人类上皮细胞的分类准确性.
• 研究机器学习算法的有效性,分析AFM粘附图数据,以改善宫癌查.

主要方法:

• 利用6个癌前和6个癌后人类宫细胞系的高分辨率AFM粘附图.
• 应用机器学习,特别是随机森林决策树算法,以分析粘附地图数据.
• 使用K折交叉验证 (K=500) 和统计学意义测试 (p < 0.0001) 验证的分类稳定性.

主要成果:

• 机器学习分析实现了显著改善的差异化,产生AUC为0.93,准确度为83%,灵敏度为92%,特异性为78%.
• 增强的灵敏度 (92%) 解决了改善宫癌查的临床关键需求.
• 结果显示,相对于以前的仅使用分形维度的分析,在统计学上有显著的改善.

结论:

• 机器学习与AFM粘附映射的整合提供了一个强大的工具,用于精确地区分癌前和癌细胞.
• 这种方法具有显著的潜力,可以提高宫癌查的敏感性,并可能补充现有方法.
• 进一步的临床验证可能会提高宫瘤的诊断能力.