基于算法的肝脏瘤手术内诊断,使用红外光谱学

科学领域:

• 生物医学光谱学 生物医学光谱学
• 医学诊断 医学诊断 医学诊断
• 机器学习在医学中的应用

背景情况:

• 肝脏瘤 (肝细胞癌,胆管细胞癌,转移) 的术内分类是具有挑战性的,因为透生长.
• 目前的方法,如冷断面分析,耗时且主观.
• 需要为实时手术指导提供快速,客观的替代方案.

研究的目的:

• 评估基于纤维的减弱总反射红外光谱学 (ATR IR) 与机器学习相结合,用于术内肝脏瘤分类.
• 根据生物化学特征,评估该方法区分正常肝脏组织与各种瘤亚型的能力.

主要方法:

• 使用基于纤维的Ge ATR IR光谱探针对69名手术患者的新鲜肝脏组织进行分析.
• 监督机器学习算法的应用用于分类.
• 使用交叉验证和独立测试集的验证.

主要成果:

• 在分类正常组织与瘤亚型 (0.90整体精度) 中的高精度.
• 区分正常和瘤组织具有0.89的灵敏度和0.92的特异性,主要基于糖原含量和组织紧度.
• 准确地分类瘤亚型 (HCC,CCC,转移) 平均准确率为0.90,为每一个确定独特的生化特征.

结论:

• 基于纤维的ATR IR光谱与机器学习提供了一个快速,客观和高度准确的工具,用于手术内肝脏瘤的分类.
• 这种无标签的生物化学方法可以提高外科手术的精度,并可能降低复发风险.
• 该方法显示了在各种固体瘤类型中应用的希望.