通过血清SERS与LGB-DNN算法相结合进行乳腺癌的非侵入性查和亚型鉴定
Qiyi Zhang1, Yuxiang Lin2, Duo Lin1
1Key Laboratory of Optoelectronic Science and Technology for Medicine of Ministry of Education, Fujian Provincial Key Laboratory of Photonics Technology, Fujian Normal University, Fuzhou, Fujian, 350117, China.
Talanta
|May 1, 2024
概括
本研究介绍了一种非侵入性光学检测方法,使用表面增强拉曼光谱 (SERS) 和深度学习用于早期乳腺癌查. 这种方法可以准确地从血清中识别乳腺癌及其亚型,为侵入性诊断提供了一个有希望的替代方案.
科学领域:
- 生物医学光学 生物医学光学
- 频谱学是一种光谱学.
- 计算生物学 计算生物学
背景情况:
- 早期发现乳腺癌和分子亚型化对于有效治疗和改善患者结果至关重要.
- 当前的诊断方法往往是侵入性的,耗时的,复杂的.
- 需要有效,准确和非侵入性查工具.
研究的目的:
- 为乳腺癌查和分子亚型化开发一种非侵入性光学检测方法.
- 整合表面增强的拉曼光谱 (SERS) 与特征选择和深度学习算法.
- 识别血清成分并建立乳腺癌的诊断模型.
主要方法:
- 从乳腺癌 (BC),乳腺良性疾病 (BBD) 和健康对照 (HC) 组获得高质量的血清SERS光谱.
- 应用基平方测试以排除混因素并提高研究可靠性.
- 使用光GBM (LGB) 进行特征选择和深度神经网络 (DNN) 进行分类,通过反向传播进行训练.
主要成果:
- 在BC与BBD之间实现了91.38%的分类准确度,在BC,BBD和HC之间达到96.40%的分类准确度.
- 在分子亚型中证明了高精度:HR+/HR-的90.11%,HER2+/HER2-的88.89%.
- 与传统的机器学习方法相比,LGB-DNN算法显著提高了分类性能.
结论:
- 血清SERS与LGB-DNN算法相结合,为临床乳腺癌查提供了一种强大的补充方法.
- 这种非侵入性方法显示了准确的早期检测和乳腺癌分子亚型的潜力.
- 开发的方法可以帮助指导临床治疗和改善乳腺癌患者的生存率.
