皮肤状细胞癌的特征是 MALDI 质谱成像与机器学习相结合

科学领域:

• 在瘤学瘤学.
• 生物技术是生物技术.
• 计算生物学 计算生物学

背景情况:

• 皮肤状细胞癌 (SCC) 是一个日益严重的全球健康问题.
• 目前的SCC诊断方法资源密集,缺乏代谢洞察力.
• 矩阵辅助激光消耗/电离质谱成像 (MALDI-MSI) 从组织中提供空间分辨的代谢数据.

研究的目的:

• 开发和验证使用MALDI-MSI数据进行SCC识别和划分的机器学习模型.
• 探索新陈代谢分析在提高SCC诊断和治疗方面的潜力.
• 评估整合MALDI-MSI与机器学习用于检测角质细胞癌的临床适用性.

主要方法:

• 训练一个监督后勤回归模型,使用从小鼠SCC瘤切片 (n=25) 的组织学标记的MALDI-MSI数据.
• 使用交叉验证来评估模型在标记数据上的预测准确性.
• 独立的病理学家对模型在未标记的组织区域的性能进行了评估.

主要成果:

• 机器学习模型在交叉验证过程中实现了92.3%的预测准确度.
• 一位独立的病理学家在99%以上的评估组织区域中证实了该模型的预测.
• 这项研究表明,计算预测和专家组织病理学评估之间的一致性很高.

结论:

• 将MALDI-MSI与机器学习集成为特征和界定SCC提供了一个强大的策略.
• 这种方法具有很大的潜力,可以促进SCC和相关的角质细胞癌的临床诊断.
• 来自MALDI-MSI的代谢洞察力可以提高SCC的诊断准确性和患者的结果.