深度学习驱动的miRNA和Radiomic多式集成用于肺癌诊断

科学领域:

• 在瘤学瘤学.
• 生物标志物 生物标志物
• 医疗成像医学成像
• 纳米技术 纳米技术

背景情况:

• 肺癌的诊断依赖于活检,这提供了有限的分子和微环境洞察力.
• 微RNA (miRNA) 签名对肺癌预测有希望 (AUC=82%) 但并不能完全捕捉瘤异质性.
• 整合成像和基因组数据可以提高诊断准确度.

研究的目的:

• 对肺癌的miRNA生物标志物的进展进行审查.
• 探索辐射基因组学中的深度学习应用,用于多式联络数据融合.
• 总结功能纳米材料在综合诊断的生物传感中的作用.

主要方法:

• 关于miRNA生物标志物和肺癌的当前文献的综述.
• 分析深度学习模型 (例如,DenseNet) 用于多式联网数据融合.
• 在生物传感中检查功能性纳米材料,以进行放射性-基因组集成.

主要成果:

• 使用DenseNet的miRNA和放射性特征的多式融合实现了高精度 (AUC=0.98,灵敏度=85.7%).
• 功能性纳米材料能够实现先进的生物传感,用于弥合miRNA检测和放射性数据.
• 综合方法显示出克服单模式诊断局限性的潜力.

结论:

• 整合成像和基因组数据,特别是miRNA资料,显著提高了肺癌诊断的准确性.
• 功能性纳米材料对于开发用于多式联通的先进生物传感平台至关重要.
• 这些先进的诊断策略的临床转化需要进一步的研究和开发.