深度拉曼定量分析和增强特征用于生物可解释的肠道癌症检测

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:

• 胃肠道 (GI) 癌症的早期诊断对于改善患者的治疗结果至关重要.
• 对于精确的癌症检测,需要使用非侵入性的分子量化方法.
• 拉曼光谱为分析组织中的生化成分提供了一个潜在的方法.

研究的目的:

• 开发和验证一个协同作用的框架,整合拉曼光谱和深度学习 (CNN) 以进行非侵入性肠胃癌检测.
• 用光谱分解量化分析肠道组织中的分子变化.
• 建立基于分子特征的胃肠道癌症强有力的诊断策略.

主要方法:

• 拉曼光谱从927个胃肠道组织 (82个恶性,845个良性) 中获得.
• 理论上计算了五种生化成分的参考光谱.
• 一个LightGBM分类器被训练在10个特征 (5系数+5比特征) 来自光谱分解,使用SMOTE等级失衡.
• 用SHAP分析和t-SNE进行特征重要性评估和可视化.

主要成果:

• 轻GBM模型实现了高诊断性能:98.2%的准确性,99.4%的灵敏性,96.9%的特异性和0.996 AUC.
• 鉴定出DNA及其比例特征是区分良性和恶性组织的最重要的指标.
• 交叉验证证实了该模型的稳定性和通用性,平均AUC为0.996 ± 0.003.

结论:

• 开发的框架通过定量分子变化分析为肠道癌症检测提供了强大而准确的策略.
• 这种方法证明了复杂的生物谱应用的优良诊断性能和通用性.
• 拉曼光谱和深度学习的整合对非侵入性癌症诊断具有重大前景.