一种机器学习增强的胃癌诊断方法,基于隔离的纳米粒子增强的拉曼光谱学
Mengya Li1,2, Liyi Li3,4, Pan Yang3,4
1Department of Laboratory Medicine, First Affiliated Hospital, Third Military Medical University (Army Medical University), Chongqing 400038, China.
Nanoscale
|October 13, 2025
概括
这项研究引入了一种新的血清测试,使用外隔离纳米粒子增强拉曼光谱 (SHINERS) 进行早期胃癌 (GC) 检测. 与机器学习相结合的SHINERS方法显示出快速,非侵入性胃癌查的前景.
科学领域:
- 纳米技术纳米技术
- 生物医学诊断 生物医学诊断
- 频谱学是一种光谱学.
背景情况:
- 胃癌 (GC) 是全球癌症死亡的主要原因.
- 早期检测对于改善患者的治疗结果至关重要.
- 目前的诊断方法在效率和侵入性方面存在局限性.
研究的目的:
- 开发一种非侵入性血清诊断方法,用于早期检测胃癌.
- 利用外隔离的纳米粒子增强拉曼光谱 (SHINERS) 来提高信号增强和特异性.
- 评估机器学习模型对基于血清光谱的胃癌分类的性能.
主要方法:
- 合成银涂二氧化 (Ag@SiO2) 核心外纳米颗粒作为SHINERS基材.
- 从100名GC患者和100名健康对照人群收集血清样本.
- 使用SHINERS分析血清样本并开发四种机器学习分类模型 (1D-CNN,RF,SVM,kNN).
主要成果:
- SHINERS提供了独特的分子指纹光谱,在短时间的检测窗口内从小血清体积中获得高信号噪声比.
- 支持矢量机 (SVM) 模型实现了最高的分类性能,ROC曲线下的面积为0.9000.
- SVM模型显著超过了其他测试的机器学习算法 (p < 0.01).
结论:
- SHINERS和机器学习的结合为可靠,快速和最少侵入性胃癌查提供了一个可行的策略.
- 这种方法显示了临床诊断应用在早期胃癌检测中的重大潜力.
- 在生物样本分析方面,SHINERS技术有效地克服了传统拉曼光谱学的局限性.
