无标签的肺癌诊断由里埃变换红外显微镜学结合域对抗性学习
Yudong Tian1, Xiangyu Zhao1, Jingzhu Shao1
1Center for Biophotonics, Institute of Medical Robotics, School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai, China. czwu@sjtu.edu.cn.
The Analyst
|June 10, 2025
概括
这项研究引入了一种新的富里埃变换红外光谱 (FTIR) 显微镜方法,与深度学习相结合,用于准确的肺癌诊断. 该技术增强了病理学分析,为早期检测和研究提供了有价值的工具.
科学领域:
- 生物医学工程 生物医学工程
- 频谱学是一种光谱学.
- 计算病理学计算病理学
背景情况:
- 肺癌的诊断依赖于耗时的CT成像和组织病理学,容易出现错误.
- 目前的方法需要专家解释,并且可能是主观的.
- 像FTIR显微光谱学这样的无标签技术为组织提供了分子洞察力.
研究的目的:
- 开发一种先进的FTIR显微光谱法,以改善肺癌组织分化.
- 整合一个深度学习模型,以提高诊断准确度和克服患者间的变化.
- 建立FTIR显微镜作为肺癌病理学的补充工具.
主要方法:
- 利用富里埃变换红外光谱 (FTIR) 显微镜进行无标签组织分析.
- 开发了一个红外光谱域对抗神经网络 (IRS-DANN) 用于分类.
- 采用领域对抗性学习来解决光谱数据中患者间的变异性.
主要成果:
- 与IRS-DANN合作的新型FTIR显微光谱法在临床数据上实现了卓越的分类性能.
- 确切区分肺癌组织被证明,即使有有限的训练样本.
- 识别并可视化关键的FTIR指纹峰值与肺癌相关的特定生物成分相关.
结论:
- FTIR显微镜与深度学习相结合,为肺癌诊断提供了一种强大的方法.
- 美国国税局-DANN模型有效地减轻了患者间的变化,提高了诊断可靠性.
- 这种综合技术显示出促进肺癌病理学研究和临床应用的巨大潜力.


