矿探头机器学习成像模型用于癌症的快速病理诊断
Jimei Chi1,2, Yonggan Xue3, Yinying Zhou4
1Key Laboratory of Green Printing, CAS Research/Education Center for Excellence in Molecular Sciences, Institute of Chemistry, Chinese Academy of Sciences (ICCAS), Beijing Engineering Research Center of Nanomaterials for Green Printing Technology, Beijing National Laboratory for Molecular Sciences (BNLMS), Beijing 100190, P. R. China.
ACS nano
|August 20, 2024
概括
这项研究引入了一种快速的,以机器学习为动力的成像方法,使用矿纳米晶探头进行精确的癌症诊断. 先进的探针显著改善了瘤检测,有助于改善手术结果和降低死亡率.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 纳米技术 纳米技术
- 机器学习在病理学中
背景情况:
- 准确的瘤细胞识别对于癌症诊断,分期和治疗至关重要.
- 传统的光免疫组织化学与瘤细胞异质性作斗争,缺乏大数据分析能力.
- 现有的方法在快速,精确地区分癌细胞和正常组织方面面临挑战.
研究的目的:
- 开发一种机器学习驱动的成像方法,用于快速诊断五种主要癌症类型的病理.
- 利用高效率的矿纳米晶探头,在单细胞水平上进行增强的癌症检测.
- 通过精确的诊断,提高手术切除的准确性,降低癌症死亡率.
主要方法:
- 开发了矿纳米晶探头,用生存抗体进行癌症生物分析.
- 采用机器学习来分析1000张图像中的光强度和病态纹理.
- 在10分钟内验证了瘤与正常组织快速分化的方法.
主要成果:
- 与传统探针相比,瘤与正常 (T/N) 的比率提高了10.3倍.
- 机器学习分类实现了5种癌症类型 (乳腺,结肠,肝脏,肺,胃) 的曲线下面面积>90%.
- 在92%的阳性患者中成功预测了瘤器官.
结论:
- 开发的方法提供了高T / N比率的探针,用于精确的多种癌症诊断.
- 机器学习集成可以提高诊断的准确性和速度.
- 这种方法具有显著的潜力,可以提高手术精度,降低癌症死亡率.
