基于尿液的拉曼标记物用于前列腺癌诊断:使用指纹和脂质光谱区域的机器学习方法

科学领域:

• 生物医学光谱学 生物医学光谱学
• 化学分析 化学分析
• 在瘤学瘤学.

背景情况:

• 前列腺癌的诊断通常依赖于侵入性手术.
• 对于前列腺癌检测的非侵入性生物标志物非常受欢迎.
• 拉曼光谱为分析生物样本提供了一个潜在的方法.

研究的目的:

• 评估拉曼光谱法,以区分前列腺癌患者与健康个体,使用尿样.
• 为了确定前列腺癌的显著光谱标志物.
• 评估各种机器学习模型的性能,以进行分类.

主要方法:

• 来自尿样的拉曼光谱数据使用Boruta算法在指纹 (800-1800厘米−1) 和脂质 (2800-3000厘米−1) 区域进行分析.
• 关键波数 (例如,1009厘米-1,2937厘米-1) 被确定为显著的光谱特征.
• 主要组件分析 (PCA) 和机器学习模型 (DT,kNN,RF,SVM) 用于分类和性能评估.

主要成果:

• 博鲁塔算法确定了1009厘米-1和2937厘米-1.1的显著光谱标记.
• 根据标记强度,PCA证明了健康和癌症样本的有效分离,其中1009 cm-1显示了更高的歧视.
• 随机森林 (RF) 和k-最近邻居 (kNN) 模型实现了高精度和灵敏度,特别是使用800-1800 cm-1光谱区域.
• 2937厘米-1标志物与格里森和MRI PIRADS得分有很强的相关性.

结论:

• 尿液的拉曼光谱,结合Boruta算法和机器学习,可以有效地区分前列腺癌患者.
• 特定的拉曼光谱标记 (1009厘米-1,2937厘米-1) 对于前列腺癌的检测和分期非常有价值.
• 这种技术显示出作为前列腺癌诊断和监测的非侵入性工具的希望.