使用机器学习算法精确检测肺癌的肺部液SERS光谱和血清CEA水平的中级数据融合

科学领域:

• 生物医学工程 生物医学工程
• 分析化学 分析化学
• 在瘤学瘤学.

背景情况:

• 精确识别恶性多叶膜溢出对于癌症的诊断和治疗至关重要.
• 目前的诊断方法可能是侵入性的和耗时的.
• 需要快速,准确和最少入侵的癌症检测技术.

研究的目的:

• 开发和验证一种创新的中级数据融合方法,整合表面增强拉曼光谱 (SERS) 和血清癌胚抗原 (CEA) 水平.
• 通过使用机器学习算法,提高肺流中癌症检测的准确性.
• 通过液体活检为快速和准确的临床癌症歧视提供一种新的策略.

主要方法:

• 使用手持式拉曼光谱仪从肺癌,其他癌症和非癌症患者中获得了多叶膜液的SERS光谱.
• 综合主要成分分析 (PCA) 从SERS光谱与数字化血清CEA值得分,以创建数据融合阵列.
• 应用机器学习算法 (LDA,KNN,SVM) 与癌症分类的合并数据集进行五倍交叉验证.

主要成果:

• 数据融合策略显著优于纯粹的SERS光谱歧视模型.
• 该k-最近邻居 (KNN) 算法在区分肺癌,其他癌症和非癌症组中实现了高精度 (> 85%).
• 证明了将分子光谱指纹与瘤生物标志物的协同诊断能力.

结论:

• 通过中级数据融合方法整合SERS数据和血清CEA水平,提高了在多流液中癌症检测的准确性.
• 机器学习算法,特别是KNN,有效地利用合并的数据进行强大的癌症分类.
• 这种综合方法代表了通过液体活检进行非侵入性,快速和准确的临床癌症歧视的有希望的新策略.