一个混合框架,将血清生物化学标记物和FTIR光谱与机器学习相结合,用于早期癌症查

科学领域:

• 在瘤学瘤学.
• 生物化学 生化学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 早期癌症检测对于改善患者的治疗结果至关重要.
• 目前的诊断方法可能具有侵入性或缺乏对早期疾病的敏感性.
• 血清分析为癌症查提供了一种最少的侵入性方法.

研究的目的:

• 评估血清生物化学参数和红外光谱,用于早期癌症检测.
• 利用这些数据开发和优化用于癌症分类的机器学习模型.
• 确定用于非侵入性癌症查的新型生物标志物.

主要方法:

• 在健康人群和癌症患者中对20个血清生物化学指数进行统计分析.
• 应用夏普利添加式扩展算法 (SHAP) 来识别关键的生化瘤标记物.
• 血清样本的红外光谱分析与二次衍生物预处理.
• 使用ReliefF-连续投影算法 (R-SPA) 对光谱数据进行特征选择.
• 使用线性差异分析 (LDA) 和立方支向量机 (C-SVM) 进行分类.

主要成果:

• 八个生化参数被确定为一个显著的瘤标记面板.
• 基于生物化学标记物的LDA模型实现了89.03%的准确性,92.16%的特异性和81.63%的敏感性.
• 使用红外光谱学数据的C-SVM模型实现了100%的准确性,灵敏性和特异性.
• 结合方法显示出增强早期癌症检测的潜力.

结论:

• 血清生物化学分析和红外光谱学是早期癌症查的宝贵工具.
• 机器学习集成显著提高了这些诊断方法的性能.
• 这些发现支持开发癌症的快速,非侵入性诊断工具.