通过使用无标签表面增强的拉曼光谱学和机器学习相结合的细胞外囊泡分析来诊断肺癌
Hai-Sha Liu1, Kai-Wen Ye2, Jun Liu2
1School of Chemistry and Chemical Engineering, Guizhou University, Guiyang 550025, China.
Theranostics
|August 4, 2025
概括
本研究提出了一种使用无标签表面增强拉曼光谱 (SERS) 和机器学习来检测肺癌的新方法. 这种方法可以准确地识别血液中的细胞外囊泡 (EV),显示出早期癌症诊断的潜力.
科学领域:
- 生物医学工程 生物医学工程
- 分析化学 分析化学
- 计算生物学 计算生物学
背景情况:
- 没有标签的表面增强拉曼光谱 (SERS) 显示出基于细胞外囊泡 (EV) 的癌症诊断的前景.
- 挑战仍然存在于SERS信号的重复性,稳定性和从有限样本准确预测多种细胞类型的早期预测.
研究的目的:
- 开发一种高度准确的分类方法,使用SERS和机器学习来区分EV与肺癌和正常细胞.
- 通过从小鼠模型和人类患者的混合细胞衍生的和血衍生的EV来验证该方法.
主要方法:
- 机器学习 (SVM,CNN) 的电动汽车的集成无标签SERS分析.
- 采用了基于毛细血管的液相采样方法,以保持电动汽车的原始状态.
- 优化了SERS基板属性,并使用贝叶斯优化来对SVM超参数进行调整.
主要成果:
- 实现了3.7%的分类错误率和98.7%的准确性来区分细胞衍生电动汽车 (SVM).
- 对于来自肺癌小鼠的血衍生的EVs,证明了高精度 (SVM为97.5%,CNN为95.8%).
- 显示显著的准确性 (91.5%的SVM, 95.4%的CNN) 在区分血衍生的EVs从肺癌患者和健康个体.
结论:
- 机器学习辅助的液相SERS方法提供最小的样本体积,高稳定性和出色的准确性.
- 这种方法显示出作为一种快速可靠的工具的潜力,用于通过血液分析进行早期肺癌检测和监测.
