红外成像与机器学习相结合,用于检测 (前) 侵袭性胰腺新陈代谢
Danuta Liberda-Matyja1,2, Kinga B Stopa1,3, Daria Krzysztofik1,3
1Doctoral School of Exact and Natural Sciences, Jagiellonian University, ul. Łojasiewicza 11, 30-348 Krakow, Poland.
ACS pharmacology & translational science
|April 17, 2025
概括
使用富里埃变换红外成像和机器学习的自动化无污点组织学可以准确地检测早期的胰腺癌. 这种方法有助于快速诊断,改善胰腺管道腺癌 (PDAC) 患者的治疗结果.
科学领域:
- 生物医学工程 生物医学工程
- 计算病理学计算病理学
- 癌症的诊断 癌症的诊断
背景情况:
- 胰腺管腺癌 (PDAC) 由于早期检测有限,其五年生存率很低 (13%) .
- 目前的胰腺组织病理分类是昂贵和耗时的.
- 需要自动诊断系统来彻底改变PDAC检测和治疗的开始.
研究的目的:
- 开发一种自动化,无污点的诊断方法来检测胰腺癌.
- 结合富里埃变换红外 (FT-IR) 成像与机器学习进行PDAC分析.
- 创建区分正常,前恶性和恶性胰腺组织的模型.
主要方法:
- 使用无染的里埃变换红外图像 (FT-IR) 与机器学习相结合.
- 训练了一种随机森林分类器,用于反映人类PDAC进展的小鼠模型 (KC/KPC) 的胰腺组织.
- 分析了正常结构,胰腺内皮质瘤 (PanIN),癌症区域,出血和原纤维的组织.
主要成果:
- 开发了一个全面的模型,准确地区分正常组织与各种病理特征 (PanIN,癌症,出血,原).
- 创建了一个简化的模型,快速识别正常与病理改变的组织,包括PanINs.
- 实现了PDAC指标在细胞水平上的准确检测.
结论:
- 无污点的FT-IR成像和机器学习为早期PDAC检测提供了高度准确的诊断工具.
- 这种自动化方法可以显著提高及时治疗干预的机会.
- 促进向自动化组织查系统的转变,以改善癌症诊断.
