机器学习辅助的微流体学双光流细胞计用于检测基于形态特征参数的膀瘤细胞
Shuaihua Zhang1, Ziyu Han1, Hang Qi1
1State Key Laboratory of Precision Measuring Technology & Instruments, School of Precision Instrument and Opto-electronics Engineering, Tianjin University, Tianjin, 300072, China.
Analytica chimica acta
|July 19, 2024
概括
一个新的双光流细胞计平台与AI准确地区分尿液中的膀癌 (BC) 细胞. 这种自动化方法提高了早期BC检测和诊断的效率.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 癌症的诊断 癌症的诊断
背景情况:
- 膀癌 (BC) 是全球癌症死亡的主要原因.
- 目前用于BC检测的尿细胞学依赖于手动显微镜,限制了灵敏度和效率.
- 自动细胞分化对于改善早期BC诊断至关重要.
研究的目的:
- 开发一个自动化,高通量平台,用于尿细胞学分析.
- 使用机器学习将膀癌细胞与正常泌尿管细胞区分开来.
- 为了提高膀癌早期检测的灵敏度和效率.
主要方法:
- 开发一个以机器学习为基础的双光流细胞计平台 (μ-FCM).
- 定义细胞和细胞核大小差异的特征参数 (CP).
- 优化支持矢量机 (SVM) 算法用于数据分析和假阳性率 (FPR) 补偿.
主要成果:
- μ-FCM平台实现了BC细胞与尿细胞的高通量分化.
- SVM算法提供了84.7%的准确性,91.0%的特异性和75.0%的细胞分化灵敏度.
- 假阳性率补偿允许准确检测罕见的BC细胞,误差为0.4%.
结论:
- 开发的μ-FCM系统证明了在尿液中识别脱皮细胞的概念证明.
- 人工智能和微流体的整合为生物传感和BC体外诊断提供了一个可扩展,高效和自动化的解决方案.
- 这项技术推进了自动化细胞分析,以改善膀癌的诊断.
