基于脂质指纹的组织学准确地分类了神经瘤,原发性黑色素瘤和转移性黑色素瘤样本
Cristina Huergo-Baños1, Verónica Velasco2,3, Jone Garate1
1Department of Physical Chemistry, Faculty of Science and Technology, University of the Basque Country (UPV/EHU), Leioa, Spain.
International journal of cancer
|November 20, 2023
概括
脂质成像质谱法有助于进行黑色素瘤诊断. 这种先进的技术和人工智能模型在分类黑色素瘤样本方面实现了100%的准确性,改善了对具有挑战性的病例的诊断能力.
科学领域:
- 在瘤学瘤学.
- 生物化学 生化学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 早期检测和准确诊断对于黑色素瘤患者的生存至关重要.
- 困难的黑色素瘤病例可能缺乏专家的共识,需要先进的诊断工具.
- 脂质成像质谱 (LIMS) 为提高诊断精度提供了一种新的方法.
研究的目的:
- 研究LIMS作为黑色素瘤的补充诊断工具的实用性.
- 开发和验证基于人工智能的分类模型,使用黑色素瘤的LIMS数据.
- 探索LIMS在通过瘤微环境分析提供预后见解方面的潜力.
主要方法:
- 使用负极性的LIMS分析了53个组织样本 (15个瘤,24个初级黑色素瘤,14个转移).
- 从样本中生成全面的脂质指纹.
- 在LIMS数据上培训和验证的人工智能 (AI) 分类模型的开发.
主要成果:
- 人工智能模型在培训和验证数据集中实现了100%的特异性和精度,用于分类黑色素瘤样本.
- LIMS提供了详细的脂质指纹,使高精度分类成为可能.
- 对图像数据的分析显示,LIMS能够报告瘤微环境.
结论:
- LIMS是一种强大的辅助工具,可帮助诊断黑色素瘤,特别是在具有挑战性的病例中.
- 开发的AI模型在根据脂质资料对黑色素瘤亚型进行分类方面表现出高效.
- LIMS为瘤微环境提供了宝贵的见解,有可能改善黑色素瘤预后评估.
