使用k-means集群用于癌细胞检测和分类,并通过血清性输液进行分类

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 血清性输液的细胞学分析对于癌症诊断至关重要.
• 在液中区分恶性和非恶性细胞可能是具有挑战性的.

研究的目的:

• 分析三维 (3D) 形态特征,以区分血清液样本中的恶性和非恶性细胞.
• 评估基于3D形态学的细胞聚类无监督机器学习的有效性.

主要方法:

• 收集了来自10名患者的血清性输液样本.
• 用光标记的核和线粒体用于对焦成像.
• 进行了3D重建,并计算了27个形态特征.
• 应用k-means集群到3D形态数据.
• 将聚类结果与专家细胞病理学检查进行比较.

主要成果:

• 在基于形态特征的3D参数空间中,成功地聚集了输出细胞.
• 在细胞集群中表现出形态特征的统计学显著差异.
• 聚类结果与细胞病理学诊断有很好的一致性.

结论:

• 三维形态特征提供了恶性和非恶性溢出细胞之间的客观和有效的歧视.
• 这种方法为快速细胞分析和癌症诊断提供了潜在的新方法.
• 将其纳入临床实践可以提高癌症检测和患者治疗.