用多变量和机器学习方法分析的福利埃变换红外光谱在干燥血清中确定前列腺癌的光谱标志物

科学领域:

• 生物医学工程 生物医学工程
• 频谱学是一种光谱学.
• 在瘤学瘤学.

背景情况:

• 前列腺癌是全球男性的主要癌症.
• 目前的前列腺特异性抗原 (PSA) 查具有局限性,具有假阳性和假阴性.
• 需要使用非侵入性,准确且具有成本效益的诊断方法.

研究的目的:

• 评估福里埃变换红外光谱法 (FTIR) 用于检测使用血清样本检测前列腺癌.
• 为了确定前列腺癌诊断的潜在FTIR光谱标记物.
• 为了比较各种机器学习算法在分析FTIR光谱中的有效性.

主要方法:

• 使用FTIR光谱分析前列腺癌患者 (n=53) 和健康对照组 (n=40) 的干血清样本.
• 统计,化学测量和机器学习 (ML) 算法 (C5.0,随机森林,kNN,SVM) 用于光谱分析.
• 主要组件分析 (PCA) 用于评估样本的区分能力.

主要成果:

• 在前列腺癌患者中,FTIR分析显示,与脂,胺和脂类相关的峰值的吸收率降低,尽管在统计学上不显著.
• 机器学习算法在区分患者组之间实现了高精度 (0.74-0.93和0.70-1.0).
• 特定的高峰1637厘米-1和2851厘米-1被确定为前列腺癌的潜在FTIR标志物,并与临床参数相关.

结论:

• FTIR光谱显示出作为一种非侵入性方法在血清中检测前列腺癌的巨大潜力.
• 独特的光谱标记,特别是1637厘米-1和2851厘米-1的峰值,显示出确定前列腺癌的希望.
• 建议对更大,多样化的患者队伍进行进一步验证,以证实这些发现.