无标签的表面增强拉曼光谱与机器学习用于通过使用细针吸液样本来诊断甲状腺癌
Lili Gao1, Siyi Wu2, Puwasit Wongwasuratthakul2
1Department of Pathology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, 197 Ruijin Second Road, Shanghai 200025, China.
Biosensors
|August 28, 2024
概括
一种新的无标签表面增强拉曼光谱 (SERS) 液体活检方法使用机器学习来快速诊断甲状腺癌. 这种方法对早期检测和查有希望,改进了传统的细针吸收 (FNA) 细胞学.
科学领域:
- 生物医学工程 生物医学工程
- 分析化学 分析化学
- 在瘤学瘤学.
背景情况:
- 在全球范围内,甲状腺癌的发病率正在上升.
- 目前用于甲状腺癌诊断的细针吸收 (FNA) 细胞学是劳动密集的,耗时的,容易产生错误负面结果.
- 表面增强拉曼光谱 (SERS) 与机器学习相结合,有可能改善癌症诊断.
研究的目的:
- 开发和评估一种无标签的SERS液体活检方法,利用机器学习进行快速准确的甲状腺癌诊断.
- 使用FNA洗液来区分健康和恶性甲状腺样本.
- 为此诊断任务评估各种机器学习算法的性能.
主要方法:
- 一种无标签的SERS液体活检技术是使用甲状腺FNA洗液体与银纳米粒子合物混合而成的.
- 用SERS在石英毛细血管中分析样本,以获得拉曼光谱.
- 四个机器学习模型 (PCA-LDA,RF,SVM,CNN) 在分类准确性方面进行了比较.
主要成果:
- 卷积神经网络 (CNN) 算法实现了最高的诊断精度.
- 美国有线电视新闻网 (CNN) 的准确率为88.1%,灵敏度为87.8%,ROC曲线下的面积为0.953.
- 该SERS液体活检方法被证明是简单的,方便的,并且具有成本效益.
结论:
- 无标签的SERS液体活检与深度学习模型相结合,对早期发现和查甲状腺癌显著有前途.
- 这种方法提供了一个潜在的更快,更准确的替代传统的FNA细胞学.
- 开发的方法有助于区分良性和恶性甲状腺疾病.
