拉曼光谱与基于机器学习的决策逻辑方法一起用于表征和检测初级癌前和癌细胞

科学领域:

• 生物医学光学 生物医学光学
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 早期癌症检测显著改善了患者的治疗结果.
• 目前的拉曼光谱学研究主要集中在将正常细胞与恶性细胞区分开来,忽视了关键的癌前阶段.
• 在使用拉曼光谱来描述和分类正常到癌症进展谱的细胞中存在一个差距.

研究的目的:

• 开发和验证拉曼光谱和机器学习方法,用于对正常,癌前和癌细胞进行分类.
• 确定与癌症进展相关的关键光谱生物标志物.
• 提高拉曼光谱的诊断能力,用于早期癌症检测.

主要方法:

• 使用拉曼光谱法从正常 (初级纤维细胞),癌前 (NIH/3T3) 和癌症 (MBM-T) 鼠标纤维细胞中获取光谱数据.
• 采用基于ANOVA的特征选择来识别与恶性瘤相关的显著光谱频段.
• 实现了日志概率估计,用于在多个细胞测量中进行可靠的分类.

主要成果:

• 实现了高分类准确度:95.8%的正常与癌细胞,91%的正常与癌前细胞,和86%的癌前与癌前细胞.
• 确定了特定的光谱带,表明癌症进展.
• 在重复测量中证明了分类方法的稳定性.

结论:

• 通过机器学习增强的拉曼光谱技术,可以有效地区分正常,癌前和癌细胞.
• 这种方法为癌症发生的光谱特征提供了有价值的见解.
• 这项研究强调了拉曼光谱作为在瘤学中早期癌症检测的强大诊断工具的潜力.