通过对人类唾液样本进行比较分析,通过代谢学和深度学习引导的无标签SERS进行良性和恶性甲状腺结节的歧视

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:

• 甲状腺结节非常普遍,影响多达68%的人口.
• 恶性甲状腺结节,虽然不太常见 (<5%),但需要精确区分和良性的有效管理.
• 目前的诊断方法可能具有侵入性,这凸显了对非侵入性替代品的需求.

研究的目的:

• 研究表面增强拉曼光谱 (SERS) 结合机器学习的潜力,用于对良性和恶性甲状腺结节进行非侵入性歧视.
• 为了验证基于SERS的代谢资料与传统的代谢学方法相比.
• 开发和评估用于甲状腺结节分类的强大的诊断模型.

主要方法:

• 从参与者中采集了唾液样本,这些参与者确诊患有良性或恶性甲状腺结节.
• 使用表面增强拉曼光谱法 (SERS) 来获取光谱数据.
• 代谢分析 (质谱) 用于验证.
• 多个机器学习 (ML) 算法,包括Multi-ResNet,在光谱数据上进行了训练和测试.
• 用准确度评估模型性能,并使用盲目测试数据进行最终评估.

主要成果:

• 在SERS衍生的代谢资料和质谱识别的代谢物之间观察到一致的相关性.
• 在最初的模型构建中,Multi-ResNet算法表现出最佳性能,在良性和恶性甲状腺结节之间进行区分时达到95%的准确性.
• 对最佳模型的盲目测试产生了83%的整体准确性.

结论:

• 深度学习引导的唾液SERS分析显示,对恶性甲状腺结节的非侵入性诊断有显著的前景.
• 这种技术为在临床环境中区分甲状腺结节提供了一个潜在的非侵入性替代方案.
• 进一步验证和临床整合SERS技术可以改善甲状腺结节的管理.