肺癌患者与良性肺结节的快速区分基于干燥血清的富里埃变换红外光谱学与机器学习算法相结合

科学领域:

• 生物医学光谱学 生物医学光谱学
• 计算生物学 计算生物学
• 瘤学 诊断 诊断 瘤学

背景情况:

• 晚期肺癌 (LC) 诊断与低生存率相关.
• 低剂量计算机断层扫描 (LDCT) 查有助于早期发现LC,但由于良性肺结节 (BLN) 而导致高错误阳性率.
• 精确区分LC和BLN对于有效的查和患者管理至关重要.

研究的目的:

• 开发一种快速而精确的方法来区分肺癌和良性肺结节.
• 为了评估福里埃变换红外光谱法 (FTIR) 干燥血清的疗效,结合机器学习算法来进行LC诊断.

主要方法:

• 来自58名LC患者,37名BLN患者和36名健康对照者的血清样本使用干血清FTIR光谱分析.
• 在1800-900厘米-1范围的FTIR光谱数据使用五种机器学习模型进行处理:LDA,SVM,随机森林,MLP和LightGBM.
• 进行了模型优化,以确定最准确的诊断方法.

主要成果:

• 所有五种机器学习算法都在LC,BLN和健康的对照组之间成功区分.
• 线性差异分析 (LDA) 实现了93.9%的最高诊断准确率.
• 该研究证实了FTIR光谱和机器学习在区分LC和BLN方面的潜力.

结论:

• 干血清FTIR光谱与机器学习,特别是LDA集成,为LC诊断提供了一个有希望的非侵入性工具.
• 这种方法有可能通过提高肺结节特征的准确性来增强当前的LDCT查协议.
• 这些发现表明,在肺癌查计划中减少不必要的侵入性手术的可行策略.