机器学习增强的共聚焦拉曼成像使得无标签诊断和空间代谢对异化诱导的肝毒性进行分析
Shimei Wang1, Xiaoren Wang2, Xudong Cui3
1Department of Infectious Disease, The Fourth Affiliated Hospital of Harbin Medical University, Harbin 150001, PR China.
Theranostics
|October 3, 2025
概括
一个使用拉曼光谱和机器学习的新集成平台准确地诊断出异化诱导的肝损伤 (INH-ILI). 这种非侵入性方法显示出临床药物诱导性肝损伤评估的巨大潜力.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 缺少可靠的非侵入性诊断工具. 缺少可靠的非侵入性诊断工具.
- 准确及时诊断对于患者管理和预防严重后果至关重要.
研究的目的:
- 开发和验证用于识别和分类INH-ILI的综合平台.
- 为INH-ILI诊断结合无标签的共聚焦拉曼光谱成像,机器学习和代谢学.
主要方法:
- 建立了一个INH-ILI的小鼠模型.
- 从多个时间点获得了来自对照和INH-ILI肝脏组织的拉曼成像数据.
- 在数据分析中使用机器学习算法 (SVM,RF,XGBoost,CNN) 和有针对性的代谢学.
主要成果:
- 观察到明显的拉曼光谱变化,使INH-ILI与对照组织有所区别.
- 在使用ML模型进行INH-ILI分期和分类时实现了高精度 (AUC>0.95).
- 代谢分析揭示了脂质和芳香氨基酸代谢的破坏.
结论:
- 综合平台提供了精确的,高通量和空间解析的INH-ILI诊断.
- 这种方法表明,在评估药物诱导的肝损伤方面,临床翻译具有显著的潜力.
- 与ML结合的非侵入性光谱分析提供了一个有前途的诊断策略.
