用拉曼光谱和可解释的卷积神经网络对瘤细胞辐射反应的分层和代谢信号的可视化
Alejandra M Fuentes1, Kirsty Milligan1, Mitchell Wiebe1
1Department of Physics, The University of British Columbia Okanagan Campus, Kelowna, Canada. andrew.jirasek@ubc.ca.
The Analyst
|February 5, 2024
概括
这项研究使用拉曼光谱和卷积神经网络 (CNN) 来识别瘤放射电阻的代谢特征. 人工智能模型准确地区分了辐射敏感细胞和耐辐射细胞,为有针对性的放射治疗策略铺平了道路.
科学领域:
- 生物医学光谱学 生物医学光谱学
- 计算生物学 计算生物学
- 癌症研究 癌症研究
背景情况:
- 细胞代谢的重编程驱动瘤的进展和辐射抵抗.
- 放射电阻的生物化学特征对于开发向癌症治疗非常重要.
- 拉曼光谱 (RS) 提供无标签的监测辐射后的生物分子变化.
研究的目的:
- 开发一个卷积神经网络 (CNN) 模型,以基于辐射敏感性来表征瘤对放射治疗的反应.
- 使用梯度加权类激活映射 (Grad-CAM) 来识别具有放射电阻的关键拉曼光谱特征.
- 评估人工智能驱动的RS在自动临床瘤辐射反应特征化方面的潜力.
主要方法:
- 训练CNN来分类放射敏感 (LNCaP) 和耐辐射 (MCF7,H460) 人类瘤细胞系的拉曼光谱.
- 应用Grad-CAM可视化突出的拉曼峰,影响CNN的预测.
- 将Grad-CAM衍生的变量重要性得分 (糖原,氨酸,酸胆) 与已建立的模型相关联.
主要成果:
- 在分类细胞光谱时,CNN的准确度,灵敏度,特异性和F1得分达到了>99.8%.
- 格拉德-CAM确定了不同的光谱贡献:放射敏感细胞中的脂质/脂质和放射耐性细胞中的糖原/氨基酸/核酸.
- 关键代谢物 (糖原,氨酸,酸胆) 在细胞系,剂量和时间上的趋势与先前的研究一致.
结论:
- 与RS相结合的CNN可以在没有手动特征提取的情况下准确检测与瘤辐射敏感性相关的生物分子差异.
- Grad-CAM有助于识别与放射电阻相关的代谢特征,可能使自动化临床表征成为可能.
- 这种方法有望通过预测治疗反应来推进个性化放射治疗策略.
更多相关视频
11:27Quantitative Multispectral Analysis Following Fluorescent Tissue Transplant for Visualization of Cell Origins, Types, and Interactions
Published on: September 22, 2013
9.4K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
