使用拉曼光谱学和机器学习,用HDR-brachytherapy治疗的前列腺癌中免疫透的建模

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 前列腺癌的特点是免疫抑制瘤微环境.
• 了解免疫细胞透对于预测疾病进展和治疗反应至关重要.

研究的目的:

• 开发和验证一种结合拉曼光谱,组和基数限制非负矩阵因子分解 (GBR-NMF) 和机器学习的新方法.
• 在前列腺癌针芯活检中准确建模免疫细胞密度 (CD68,CD3,CD8).
• 评估在高剂量率支臂治疗 (HDR-BT) 之前和之后免疫细胞密度的变化.

主要方法:

• 在患者活检上进行了CD68,CD3和CD8细胞的拉曼光谱采集和免疫组织化学染色.
• 用组和基点限制的非负矩阵因子分解 (GBR-NMF) 来提取光谱特征.
• 监督机器学习回归模型 (梯度增强树,弹性网) 使用GBR-NMF得分进行训练,以预测免疫细胞密度.

主要成果:

• 弹性网模型准确地预测了CD68/CD8细胞比 (R2:0.82,RMSE:0.25).
• 梯度增强树模型可以很准确地预测CD68细胞密度 (R2: 0.65,RMSE: 163).
• 模型准确性,定义为在一个标准偏差内的预测,为CD68/CD3模型的11/16和CD68/CD8模型的12/16.

结论:

• 这项研究提出了一种新的,数据驱动的方法来模拟前列腺癌中的免疫细胞密度.
• 该方法表明了将光谱学和机器学习结合起来,以进行瘤微环境的非侵入性评估的潜力.
• 准确的免疫细胞建模可以作为疾病进展的预后指标,特别是在HDR-BT治疗的背景下.