人工智能辅助的SERS成像方法用于无标签和快速区分临床淋巴瘤

科学领域:

• 生物医学工程 生物医学工程
• 分子成像学分子成像学
• 计算病理学计算病理学

背景情况:

• 淋巴瘤的发病率正在上升,对健康构成重大威胁.
• 传统的淋巴瘤诊断依赖于耗时的组织学分析大组织段.
• 目前用于癌症诊断的人工智能 (AI) 方法在侵入性最小的应用中是有限的.

研究的目的:

• 开发一种分子成像策略,用于最小侵入性淋巴瘤诊断.
• 通过先进的成像和人工智能,使淋巴瘤的快速和准确检测成为可能.

主要方法:

• 一个表面增强的拉曼散射 (SERS) 芯片被用于无标签的分子成像.
• 在小的组织段 (30 × 30 μm2) 中成像了DNA双链断裂 (DSB).
• 深度卷积神经网络 (CNN) 模型被训练在临床样本的拉曼图像数据集上.

主要成果:

• 淋巴瘤组织中DSB的分子成像在大约15分钟内实现.
• 开发的策略成功地区分了正常的淋巴组织和非霍奇金淋巴瘤 (NHL) 组织.
• 使用CNN模型实现了大约91.7 ± 2.1%的高识别率.

结论:

• 分子成像策略为轻微侵入性淋巴瘤诊断提供了一个快速而准确的方法.
• 这种方法实现了非霍奇金淋巴瘤的识别率为91.7±2.1%.
• 该研究提出了一种可靠的工具,可以推进各种疾病诊断的组织学SERS-AI技术.