创新的无标签淋巴瘤诊断使用红外光谱和机器学习在组织部分
Charlotte Delrue1, Mattias Hofmans2, Jo Van Dorpe3
1Department of Nephrology, Department of Internal Medicine and Pediatrics, Ghent University Hospital, Ghent, Belgium.
Communications biology
|November 1, 2024
概括
减弱总反射-里埃变换红外光谱 (ATR-FTIR) 与机器学习相结合,可以区分淋巴瘤与非恶性组织. 这种快速,廉价的方法显示出在各种实验室中常规淋巴瘤诊断的潜力.
科学领域:
- 生物医学光谱学 生物医学光谱学
- 计算病理学计算病理学
- 机器学习在诊断中的应用
背景情况:
- 淋巴瘤诊断存在由于组织学和临床多样性的挑战.
- 当前的诊断方法往往需要专门的设施和专业知识.
- 需要为常规实验室提供可访问,具有成本效益的诊断工具.
研究的目的:
- 评估减弱总反射 - 里埃变换红外光谱 (ATR-FTIR) 与机器学习相结合的用于淋巴瘤检测和亚型化的功效.
- 确定ATR-FTIR能否区分淋巴瘤和非恶性淋巴状组织.
- 评估该技术作为一种非破坏性,用户友好的诊断工具的潜力.
主要方法:
- 使用ATR-FTIR光谱学分析295名淋巴瘤患者和389名对照患者的淋巴状组织切片.
- 频谱数据被分为70:30列车测试集.
- 部分最小平方区分分析 (PLS-DA) 模型被开发用于分类样本和亚型.
主要成果:
- 在1800-900厘米-1区域观察到淋巴瘤和非恶性组织之间的显著光谱差异,与生化成分有关.
- 在用于区分淋巴瘤与非恶性组织的独立测试组中,PLS-DA模型实现了0.882的AUC.
- 在不同淋巴瘤亚型中确定了不同的光谱模式和集群.
结论:
- 与机器学习相结合的ATR-FTIR光谱是淋巴瘤诊断的一个有前途的工具.
- 该技术提供了一种非破坏性的,快速且廉价的方法.
- 这种方法有可能在非专业化实验室中实施,改善淋巴瘤诊断的可访问性.
