通过机器学习算法检测和分类癌症和非癌症细胞的机制

科学领域:

• 生物物理学的生物物理.
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 癌症是一个重大的全球健康挑战,精确的单细胞诊断仍然很困难.
• 与正常细胞相比,癌细胞具有不同的机械特性.
• 精准医学需要先进的方法来精确识别癌细胞.

研究的目的:

• 调查原子力显微镜 (AFM) 在表征肝脏和胃细胞的机械性能的实用性.
• 采用机器学习技术来根据AFM衍生机械数据对癌细胞和非癌细胞进行分类.
• 建立一种新的数字病理学方法,以改善瘤细胞诊断.

主要方法:

• 使用原子力显微镜 (AFM) 来测量肝细胞,肝瘤细胞,胃细胞和胃癌细胞的机械性质.
• 应用机器学习算法用于细胞类型的计算分析和分类.
• 使用接收器操作特征曲线 (AUC-ROC) 下面的面积验证了分类准确性.

主要成果:

• 在研究的四种细胞类型中,获得了98%的分类和选准确度.
• 获得了令人印象深刻的AUC-ROC值97.98%,表明了高诊断性能.
• 成功识别了消化系统癌细胞,证明了该方法的有效性.

结论:

• 与机器学习相结合的AFM提供了一种有效的方法,可以根据机械特性区分癌细胞.
• 这种方法为数字病理学在消化系统瘤的诊断中发挥了宝贵的作用.
• 该研究引入了一种新的客观研究方法,用于肝癌和胃癌诊断,增强瘤细胞检测策略.