机器学习驱动的SERS分析平台,用于准确和快速诊断胃癌产生的腹膜转移

科学领域:

• 生物医学光谱学 生物医学光谱学
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 腹膜转移 (PM) 是胃癌的一个普遍而致命的并发症.
• 目前对PM的诊断方法缺乏灵敏度和实时能力.
• 表面增强拉曼光谱 (SERS) 为癌症诊断提供了一种新的方法.

研究的目的:

• 评估SERS与机器学习相结合的有效性,用于诊断胃癌中的腹转移.
• 为了比较基于SERS的模型与传统方法的诊断性能.

主要方法:

• 从120名胃癌患者的腹膜洗液 (PLF) 中收集了拉曼光谱.
• 使用主要组件分析-线性差异分析 (PCA-LDA),随机森林 (RF) 和支持向量机 (SVM) 模型分析了光谱.
• 使用灵敏度,特异性,准确性和接收器操作特征 (ROC) 曲线分析评估诊断性能.

主要成果:

• 与PCA-LDA,RF和SVM相结合的SERS实现了高精度 (95.4%-95.7%),灵敏度 (87.0%-91.3%) 和特异性 (95.5%-96.0%).
• 所有基于SERS的机器学习模型在诊断PM时显著超过了皮细胞学和CT扫描.
• ROC分析表明SERS模型的诊断性能优越,曲线下的面积值在92.1%至96.9%之间.

结论:

• 与机器学习集成的SERS提供了一个简单,具有成本效益和准确的工具来诊断PLF的PM.
• 这种方法具有显著的潜力,可以改善胃癌中腹转移的早期检测和管理.
• 这项研究强调了基于SERS的诊断在瘤学的临床实用性.