快速多式成像与机器学习相结合,确定 taurine 是乳腺癌边际评估的潜在标记物

科学领域:

• 生物医学成像技术 生物医学成像技术
• 分子病理学分子病理学
• 机器学习在瘤学中

背景情况:

• 准确的边际评估对于成功的乳房保护手术 (BCS) 至关重要,但仍然具有挑战性.
• 目前的边缘评估方法可能耗时,并且在检测微观的正边缘时缺乏灵敏度.
• 需要新的成像和生物标志物方法来改善乳腺癌 (BC) 的手术内边缘评估.

研究的目的:

• 开发和验证一种多模态成像方法,用于BCS中精确的边缘检测.
• 确定新型代谢生物标志物,以区分乳腺癌 (BC) 和瘤邻近的非癌性乳腺组织 (TANB).
• 评估已识别的生物标志物在预测积极边际和患者结果方面的潜力.

主要方法:

• 整合为细胞结构可视化使用的秒无标签成像 (FLI) 显微镜.
• 图像质谱仪 (IMS) 的应用,用于未标记组织的空间代谢概况.
• 利用机器学习 (ML) 算法进行数据分析和生物标志物面板开发.

主要成果:

• 通过FLI显微镜,成功地确定了与组织病理学诊断相关的感兴趣区域 (ROI).
• 建立了一个生物标志物小组,包括 taurine, threonate 和 glutamate,以分类 BC 和 TANB 组织.
• 较高的 taurine 水平被确定为积极边际的潜在指标,并且与 BC 患者的整体存活率较差有关.

结论:

• 结合使用FLI显微镜和IMS,可以快速,无标签地可视化组织微观结构和代谢物.
• 氨酸成为评估乳腺癌手术边缘的有希望的生物标志物,有可能改善BCS结果.
• 这种多模式的方法促进了准确的边际评估,并提供了关于氨酸在BC中的抗瘤作用的见解.