使用血液对肺结节进行金属学分类 深度学习增强的同步射辐射X射线光

科学领域:

• 生物化学 生化学
• 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:

• 环境空气污染有助于肺癌,需要精确区分良性和恶性肺结节,以便有效的早期治疗.
• 目前的组织病理学检查是侵入性的,耗时的,劳动密集的,突出了对少入侵的诊断方法的需求.

研究的目的:

• 开发和验证一种新的金属学方法,使用血清样本来区分良性和恶性肺结节.
• 为了评估同步射X射线光 (SRXRF) 与机器学习相结合的疗效,特别是一维卷积神经网络 (1DCNN),用于此诊断任务.

主要方法:

• 血清样本使用同步子辐射X射线光 (SRXRF) 来分析,以获得元素光谱.
• 主要成分分析 (PCA) 用于初步的光谱分析.
• 机器学习算法 (MLs) 和简化的1DCNN被应用来根据全通道和特征元素光谱来分类节点.

主要成果:

• 1DCNN模型在使用全通道SRXRF光谱区分良性肺结节和恶性肺结节方面达到96.7%的最高准确度.
• 血清中特有的元素概况被确定为潜在的生物标志物,区分恶性与良性结节.
• 基于特征元素的简化1DCNN模型表现出高性能,精度=94.34%和灵敏度/F1评分>91.30%.

结论:

• 使用1DCNN增强的SRXRF进行血清样本的金属学分析,为分类肺结节提供了准确和最少侵入性的方法.
• 这种方法为早期肺癌诊断和管理提供了侵入性组织病理学检查的有希望的替代方案.