基于机器学习的2D-IR液体活检分类使黑色素瘤复发风险的分层成为可能

科学领域:

• 频谱学是一种光谱学.
• 数据科学数据科学数据科学
• 生物医学诊断 生物医学诊断

背景情况:

• 非线性激光光谱,特别是二维红外 (2D-IR),产生了广泛的数据集.
• 激光技术的进步提高了数据收集速度,使复杂的分析成为可能.
• 机器学习 (ML) 提供了强大的工具,用于从光谱方法解释大型数据集.

研究的目的:

• 为了证明ML和2D-IR光谱的协同作用,用于分类黑色素瘤患者血清样本.
• 评估2D-IR光谱在识别与黑色素瘤转移相关的诊断分组方面的潜力.
• 探索一种基于血液的光学测试用于黑色素瘤风险分层的新途径.

主要方法:

• 从40名黑色素瘤患者收集了20μL血清样本.
• 使用2D-IR光谱测量"蛋白胺I指纹",反映血清蛋白质概况.
• 使用带连字符的部分最小平方-支持向量机 (PLS-SVM) 模型进行分类.

主要成果:

• 该PLS-SVM模型成功地根据黑色素瘤的存在,缺乏和转移性疾病的发展对血清样本进行了分类.
• 获得的接收器操作特征曲线 (AUROC) 下的区域值为0.75 (无癌症) 和0.86 (转移性疾病).
• 来自后来发展转移性疾病的患者的分类样本,AUROC为0.80,表明预测能力.

结论:

• 混合2D-IR和ML分析可以根据血清蛋白质含量对黑色素瘤患者的亚组进行分类.
• 这种光谱方法显示出在治疗后患复发风险较高的患者的识别潜力.
• 为新的光学血液测试铺平了道路,用于黑色素瘤患者的风险分层.