基于ATR-FTIR光谱学结合机器学习的唾液腺病变的创新分子诊断策略
Esra Öncü1, Fatma Demirkaya Miloğlu2, Ebru Şener3
1Department of Oral, Dental and Maxillofacial Radiology, Faculty of Dentistry, Atatürk University, Erzurum, Türkiye.
Oral surgery, oral medicine, oral pathology and oral radiology
|January 17, 2026
概括
这项研究使用了减弱总反射度里埃变换红外光谱 (ATR-FTIR) 和机器学习来区分正常的皮组织 (NP),多形腺瘤 (PA) 和粘膜皮类癌 (MEC). 结合方法在区分这些唾液腺组织的基础上实现了高准确度的生物化学指纹.
科学领域:
- 生物化学 生物化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 唾液腺瘤,包括多形腺瘤 (PA) 和粘膜腺癌 (MEC),需要与正常状组织 (NP) 进行准确的分化.
- 区分良性PA与恶性MEC和正常组织对于适当的临床管理至关重要.
- 目前的诊断方法可能涉及侵入性程序或广泛的样本准备.
研究的目的:
- 为了识别区分NP,PA和MEC的独特生化特征,使用减弱总反射率里埃变换红外光谱学 (ATR-FTIR).
- 探索与良性恶性瘤分类相关的分子差异.
- 将ATR-FTIR光谱与机器学习 (ML) 结合起来,以准确诊断唾液腺瘤.
主要方法:
- 分析了48个固定在甲,嵌入 (FFPE) 的唾液腺组织段 (8个NP,24个PA,16个MEC).
- 获取ATR-FTIR光谱直接从基因病理幻灯片中获取,而无需脱.
- 应用多变量分析 (PCA,OPLS-DA) 和监督分类算法 (SVM,kNN),并进行交叉验证.
主要成果:
- 在NP,PA和MEC组织中观察到明显的光谱差异,特别是在蛋白质,脂质和核酸区域.
- 正交部分最小平方差异分析 (OPLS-DA) 显示了明显的阶级歧视.
- 支持矢量机 (SVM) 分类器实现了高诊断准确度 (总体95.83%,F1分数:NP=1.00,PA=0.96,MEC=0.94),表现优于kNN.
结论:
- ATR-FTIR光谱学与基于ML的多变量分析相结合,为区分NP,PA和MEC提供了一个高度准确的方法.
- 该研究为快速,非侵入性,无标签的诊断工具奠定了基础.
- 这种技术与临床实践兼容,适用于常规组织病理样本.
