提高子宫内膜癌的检测:血液血清内在光数据处理和机器学习应用程序
Monika Švecová1, Linda Blahová2, Jozef Kostolný2
1Department of Medical and Clinical Biochemistry, Faculty of Medicine, Pavol Jozef Šafárik University in Košice, Tr. SNP 1, 040 01, Košice, Slovakia.
Talanta
|October 29, 2024
概括
本研究介绍了一种使用光和机器学习的新型,具有成本效益的血液检测方法,用于早期检测子宫内膜癌 (EC). 该方法显示高精度,可能改善患者的治疗结果.
科学领域:
- 生物化学 生物化学
- 医学诊断 医学诊断 医学诊断
- 计算生物学 计算生物学
背景情况:
- 子宫内膜癌 (EC) 是发达国家最常见的妇科恶性瘤.
- 由于没有标准的实验室查测试,目前的EC早期检测是有限的.
- 及时诊断对于改善患者预后和生存率至关重要.
研究的目的:
- 开发和验证一种用于早期检测子宫内膜癌的新,最小侵入性和具有成本效益的方法.
- 利用血清的内在光分析与机器学习相结合,用于增强EC诊断.
- 识别可靠的光光谱标记物,以提高诊断效率.
主要方法:
- 用发光光谱相仪分析血清样本,以捕获内在光谱.
- 通过使用波长轮矩阵可视化同步激发光谱.
- 机器学习算法 (随机森林,物流回归,SVM,SGD) 和维度减少技术 (PCA,PLS-DA) 用于数据处理.
主要成果:
- 光比R300/330和R360/490被确定为具有高诊断功效的关键代谢生物标志物 (AUC0.88和0.91).
- 后勤回归 (LR) 和随机森林 (RF) 算法显示出高灵敏度,特异性,PPV和NPV.
- 优化的LR获得了0.94的灵敏度,0.89的特异性和0.94的AUC,表明了显著的诊断潜力.
结论:
- 开发的基于光的方法与机器学习相结合,为早期检测子宫内膜癌提供了一个有希望的方法.
- 这种创新技术有可能显著提高实验室诊断和改善EC患者的临床结果.
- 鉴定的光光谱标记物代表了非侵入性EC查的有价值的生物标记物.
