机器学习辅助分类用拉曼光谱法对氨酸嵌入的大脑瘤
Gilbert Georg Klamminger1,2,3, Laurent Mombaerts4, Françoise Kemp4
1Department of General and Special Pathology, Saarland University (USAAR), 66424 Homburg, Germany.
Brain sciences
|April 27, 2024
概括
拉曼光谱学成功地使用机器学习在甲素固定组织中诊断出脑瘤和转移. 这种振动光谱技术为神经病理学提供了潜力,即使在具有挑战性的样本上也是如此.
科学领域:
- 神经病理学神经病理学
- 分子光谱学 分子光谱学
- 机器学习 机器学习
背景情况:
- 拉曼光谱 (RS) 对神经瘤学有价值,有助于在手术内检测瘤和组织分析.
- 在常规神经病理学中,在RS分析中,固定在形式氨酸,嵌入氨酸 (FFPE) 组织提出了独特的挑战.
研究的目的:
- 使用RS监测FFPE内瘤中的分子振动变化.
- 建立一个机器学习框架来分类FFPE脑瘤的光谱特征.
- 评估神经病理学中RS的诊断潜力和局限性.
主要方法:
- 在CaF2幻灯片上对82个FFPE内瘤进行光谱测量 (679次测量).
- 开发一个机器学习框架与培训和外部验证队伍.
- 使用随机森林算法和性能指标 (AUROC,AUPR) 的光谱数据的分类.
主要成果:
- 使用RS和机器学习区分质瘤类型并确定大脑转移的初级来源.
- 从死组织碎片中成功诊断出瘤类型,这是光显微镜无法实现的壮举.
- 确定了用于瘤识别的显著拉曼波段,同时承认组织处理的数据复杂性.
结论:
- RS显示出作为FFPE组织神经病理学诊断工具的巨大潜力.
- 该研究强调了将RS应用于加工组织样本的复杂性和限制.
- 需要进一步的研究来优化RS方法用于常规的神经病理工作流程.
