通过MALDI成像和机器学习进行代谢分析和准确诊断基底细胞癌
Lauritz F Brorsen1,2, James S McKenzie3, Fernanda E Pinto1
1Department of Dermatology, Copenhagen University Hospital-Bispebjerg and Frederiksberg, Copenhagen, Denmark.
Experimental dermatology
|July 22, 2024
概括
这项研究引入了一种新方法,使用矩阵辅助激光脱离电离质谱成像 (MALDI-MSI) 和机器学习 (ML) 来准确诊断基底细胞癌 (BCC) 并识别潜在的瘤标记物.
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:
- 基底细胞癌 (BCC) 是最常见的角质细胞癌,造成严重的公共卫生问题.
- 目前的BCC诊断方法缺乏代谢数据的整合.
- 代谢分析提供了一个新的途径,用于分子表征和诊断BCC.
研究的目的:
- 用先进的成像技术来分子描述基底细胞癌 (BCC).
- 开发和验证用于诊断BCC瘤组织的机器学习 (ML) 模型.
- 为了确定潜在的代谢物生物标志物用于BCC诊断.
主要方法:
- 在BCC小鼠模型上应用矩阵辅助激光脱离离子化质谱成像 (MALDI-MSI).
- 开发和训练机器学习 (ML) 算法,使用带有病理学标签的MS数据.
- 在标记和未标记的组织样本上验证ML模型的分类准确性.
主要成果:
- 在标记数据上,ML模型实现了99.0%的分类准确度.
- 未标记的组织区域的分类显示与专家评估一致99.9%,表明高度敏感性和特异性.
- 确定了189个显著信号,暂时的代谢物识别表明潜在的诊断瘤标记物.
结论:
- MALDI-MSI与ML结合,有效地表征BCC代谢概况,并高准确地诊断瘤组织.
- 开发的模型显示了敏感和特定的BCC检测的巨大潜力.
- 需要进一步的研究来探索综合性MS和自动诊断分析的临床实施.
