基于机器学习的SERS血清检测平台,用于对结直肠癌前病变的高灵敏性和高通量诊断

科学领域:

• 生物医学工程 生物医学工程
• 分析化学 分析化学
• 在瘤学瘤学.

背景情况:

• 结肠直肠癌前病变 (CRP) 在结肠直肠癌 (CRC) 之前,使得早期检测对于降低死亡率至关重要.
• 当前的诊断方法可能缺乏敏感性或侵入性.
• 开发用于早期CRP检测的非侵入性,准确的生物标志物是一个重要的临床需求.

研究的目的:

• 开发和验证一种新的血清检测平台,用于早期识别结直肠癌前病变 (CRP).
• 将表面增强的拉曼散射 (SERS) 与机器学习 (ML) 模型集成,以提高诊断准确度.
• 评估平台在区分健康个人,CRP患者和CRC患者方面的表现.

主要方法:

• 使用Au/SnO₂纳米绳阵列 (Au/SnO₂NRAs) 的微阵列芯片被制造为SERS血清光谱测量的基板.
• 从健康对照组,CRP患者和CRC患者的血清样本使用SERS平台进行了分析.
• 一个主要组件分析-最佳类歧视和紧密度优化 (PCA-OCDCO) 模型被用于光谱数据分析和分类.

主要成果:

• 在Au/SnO₂NRAs微阵列芯片展示了出色的便携性,SERS活动,稳定性和统一性.
• PCA-OCDCO模型有效地对血清样本进行了分类,确定了区分健康,CRP和CRC组的关键光谱特征.
• 集成的SERS-ML平台实现了高诊断性能:97%的准确性,95%的灵敏性,97%的特异性,AUC为0.96.

结论:

• 开发的基于SERS的血清检测平台,加上PCA-OCDCO模型,显示了早期检测结直肠癌前病变 (CRP) 的巨大潜力.
• 这种方法为CRP预防和临床诊断提供了一个有希望的非侵入性策略.
• 进一步验证可能会导致改善结肠直肠癌查方案.