通过尿液光代谢形状监测和机器学习算法进行非侵入性子宫内膜癌查

科学领域:

• 生物医学诊断 生物医学诊断
• 分析化学是一种分析化学.
• 代谢学 代谢学 代谢学

背景情况:

• 子宫内膜癌的发病率正在上升,需要先进的,非侵入性诊断工具.
• 目前对子宫内膜癌的诊断方法可能是侵入性的,可能缺乏足够的准确性.
• 尿液光谱学提供了一种潜在的非侵入性方法来分析代谢概况.

研究的目的:

• 评估尿液光谱作为子宫内膜癌的诊断方法.
• 开发用于区分子宫内膜癌与良性疾病和对照的光谱标记.
• 评估机器学习模型与光谱学结合用于子宫内膜癌检测的有效性.

主要方法:

• 同步光光谱法用于分析子宫内膜癌患者,良性子宫瘤患者和对照组的尿样.
• 计算了特定的光比,以区分样本组.
• 部分最小平方区分分析 (PLS-DA) 和各种机器学习模型 (随机森林,物流回归,SVM,SGD) 用于数据分析和分类.

主要成果:

• 光谱标志物显示出潜在的临床适用性,曲线下的面积 (AUC) 高达80%用于区分样本组.
• 在将对照组与子宫内膜癌患者区分开来时,PLS-DA实现了79%的整体准确率和90%的AUC.
• 机器学习模型在基于尿液光谱的样本分类方面表现出有效性.

结论:

• 尿液光谱是一种有前途的非侵入性技术,用于诊断子宫内膜癌.
• 谱学与机器学习模型的整合可以显著提高诊断准确性.
• 这种方法为现有的子宫内膜癌诊断方法提供了一个潜在的快速,准确和非侵入性的替代方案.