液体活检的人工智能:FTIR光谱和基于自编码器的检测,在细胞外囊中的癌症生物标志物
Riccardo Di Santo1,2, Benedetta Niccolini2,3, Enrico Rosa2,4
1Department of Life Science, Health and Health Professions, Link Campus University, 00165 Rome, Italy.
Cells
|December 10, 2025
概括
这项研究使用具有FTIR光谱的自编码器来分析血液中的细胞外囊泡 (EV). 人工智能模型确定了检测肝细胞癌 (HCC) 的关键特征,显示了非侵入性癌症诊断的前景.
科学领域:
- 生物医学工程 生物医学工程
- 频谱学是一种光谱学.
- 人工智能的人工智能
背景情况:
- 细胞外囊泡 (EVs) 显示出作为癌症等疾病的非侵入性生物标志物的潜力.
- 目前对电动汽车的表征方法有限,阻碍了临床转化.
- 里埃变换红外光谱 (FTIR) 提供了EV的生化指纹,但需要进行高级分析.
研究的目的:
- 开发和验证基于自编码器的框架,用于分析血液成分的FTIR光谱,包括EVs.
- 从EV光谱中提取生物学相关的潜伏特征,用于疾病检测.
- 评估这种方法在早期肝细胞癌 (HCC) 检测方面的潜力.
主要方法:
- 将自编码器应用于来自135名患者的278个血液样本 (血,红细胞,EVs) 的减弱总反射FTIR (ATR-FTIR) 光谱.
- 将光谱数据压缩成12个潜在特征,以低重建误差保存光谱信息.
- 利用UMAP进行维度缩小和聚类,以及弹性网物流回归用于HCC与肝硬化对照的分类.
主要成果:
- 自动编码器成功地将光谱数据压缩成12个潜伏特征,信息损失最小.
- 潜伏特征的UMAP可视化有效地分离了不同的血液成分,表明了生物相关性.
- 该模型确定了四个特征,使HCC患者与对照患者区分开来,使用单个潜伏特征检测HCC的AUC为0.785.
结论:
- 自动编码器框架可以有效地从电动汽车的FTIR光谱中提取有意义的生物化学信息.
- 这种由人工智能驱动的方法表明了开发新型,非侵入性生物标志物的潜力,用于像HCC这样的疾病.
- 开发的方法显示了与现有的HCC生物标志物相比较的性能,表明了临床效用.
