机器学习辅助的无标签结直肠癌诊断使用等离子针内镜系统

科学领域:

• 纳米技术 纳米技术
• 生物医学工程 生物医学工程
• 分析化学 分析化学

背景情况:

• 早期和准确的结直肠癌 (CRC) 检测对于患者的治疗结果至关重要.
• 目前对CRC的诊断方法往往是侵入性的,并带有风险.
• 需要更少的侵入性和更有效的CRC诊断工具.

研究的目的:

• 开发和评估一种新的塑金纳米聚体 (AuNH) 涂层的针式表面增强拉曼散射 (SERS) 传感器,用于直接,无标签检测CRC.
• 将这种传感器与内镜系统集成,用于在现场取结肠粘液样本.
• 使用机器学习评估传感器在区分CRC与正常样本方面的性能.

主要方法:

• 基于等离子针的SERS (PNS) 传感器的制造,该传感器通过涂上聚合多巴胺的不钢针,随后生长黄金纳米多面体 (AuNHs).
• 分析AuNH形成机制和PNS传感器的分层结构.
• 将PNS传感器与内镜系统集成,用于在小鼠模型中直接采集结肠粘液样本.
• 基于后勤回归的机器学习模型的应用,用于基于SERS数据的CRC和正常样本的无标签分类.
• 使用拉曼分析和皮尔森相关系数进行代谢物分析,以确定潜在的癌症生物标志物.

主要成果:

• PNS传感器显示出强烈的等离子场增强,特别是在AuNH和纳米间隙位点的边缘.
• 综合内镜系统成功地在小鼠模型中进行了直接的结肠粘液采样.
• 机器学习模型在区分CRC与正常小鼠时实现了100%的灵敏度,93.33%的特异性和96.67%的准确性.
• 拉曼分析通过代谢物相关性分析提供了对潜在的癌症生物标志物的见解.

结论:

• 开发的基于等离子针的SERS传感器与内镜集成,为直接的粘液采样和无标签的CRC检测提供了一个有希望的非侵入性方法.
• 这项技术有可能显著提升结直肠癌的早期查和诊断.
• 对代谢物相关性的进一步研究可以帮助识别用于CRC诊断的新生物标志物.