机器学习辅助的中红外光谱化学纤维状原蛋白成像在临床组织中
Wihan Adi1, Bryan E Rubio Perez2, Yuming Liu3
1Department of Biomedical Engineering University of Wisconsin-Madison, Madison, WI, 53705, USA.
bioRxiv : the preprint server for biology
|June 3, 2024
概括
这项研究引入了一种无标签的成像技术,该技术结合了中红外光谱成像 (MIRSI) 和第二子 (SHG) 显微镜. 该方法准确地识别了组织中的纤维状原蛋白,有助于瘤微环境分析.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算病理学计算病理学
- 频谱学是一种光谱学.
背景情况:
- 无标签的多式成像对于分析复杂的生物组织,特别是瘤微环境至关重要.
- 纤维原蛋白结构的变化与癌症的进展有关,需要先进的成像技术.
研究的目的:
- 开发和演示一种多式计算成像方法,用于识别生物组织中的纤维状原蛋白.
- 将中红外光谱成像 (MIRSI) 与第二子 (SHG) 显微镜集成,用于无标签的原检测.
主要方法:
- 一个受监督的机器学习 (ML) 模型,特别是一个随机森林 (RF),使用SHG图像作为原蛋白的基本真相进行训练.
- 射频模型根据人类胰腺组织样本的中红外高光谱图像对纤维状原蛋白进行了分类.
- 该方法涉及用MIRSI和SHG显微镜成像毫米尺寸的组织样本,利用数百万的光谱进行训练和验证.
主要成果:
- 与SHG相比,ML辅助的MIRSI方法在原蛋白细分方面取得了高精度 (F-score 0.8) .
- 对于原蛋白定向 (Pearson's R 0.82) 和对齐 (Pearson's R 0.66) 的相关性也很高,验证了该方法的性能.
- 生成的MIRSI原蛋白图像准确地反映了原蛋白的分布,方向和对齐.
结论:
- 机器学习辅助的无标签中红外高光谱成像显示了分析原纤维的巨大潜力.
- 这种技术对于在病理样本中研究瘤微环境是有价值的.
- 多式联络方法为全面的组织分析提供了互补的结构和化学信息.
