机器学习辅助的Raman光谱用于卵巢癌细胞的分类

科学领域:

• 生物医学光谱学 生物医学光谱学
• 机器学习在瘤学中的应用
• 妇科癌症研究 妇科癌症研究

背景情况:

• 卵巢癌是癌症死亡的主要原因,原因是由于晚期检测和治疗阻力.
• 精确分类卵巢癌亚型和化学疗法耐药性对于有效的个性化治疗至关重要.
• 拉曼光谱提供无标签的生物化学信息,但面临着光谱复杂性和微妙变化的挑战.

研究的目的:

• 开发和评估一种机器学习辅助的拉曼光谱框架,用于分类卵巢癌细胞亚型.
• 用拉曼光谱和机器学习检测卵巢癌细胞中的西斯普拉丁耐药性表型.
• 为了比较主组件分析-支持矢量机 (PCA-SVM) 和卷积神经网络 (CNN) 模型在这些分类任务中的性能.

主要方法:

• 从正常的卵巢上皮细胞和四个卵巢癌细胞系中获得了拉曼光谱,包括抗西斯的变体.
• 开发并比较了三个计算模型:PCA-SVM,CNN-Enhance和CNN-BiLSTM.
• 评估了正常与恶性细胞,耐药与敏感细胞以及癌症亚型的分类性能.

主要成果:

• 拉曼光谱揭示了正常和恶性细胞之间的明显生化差异,与蛋白质,脂质和核酸有关.
• 在大多数分类任务中,PCA-SVM和CNN模型都实现了高精度 (>90%).
• 在亚型分类方面,PCA-SVM表现出色,在区分抗西斯普拉丁表型方面达到100%的准确性,而CNN在特定细胞类型检测方面表现出强项.

结论:

• 将拉曼光谱与机器学习相结合,可以准确,无标签地对卵巢癌亚型和耐药性进行分类.
• 这种方法显示出微创精确诊断的巨大潜力.
• 这些发现支持对卵巢癌的个性化治疗策略的开发.