多参数深度学习与光终身成像显微镜相结合,用于非侵入性和无标签的子宫内膜癌查
Wenjia Zhao1, Yonghui Xie2, Jiacheng Zhou1
1Shanghai Engineering Research Center of Ultra-Precision Optical Manufacturing, Key Laboratory of Micro and Nano Photonic Structures (Ministry of Education), College of Future Information Technology, Fudan University, Shanghai, China.
这项研究引入了一种使用光终身成像显微镜 (FLIM) 和深度学习的非侵入性子宫内膜癌查方法. 综合方法实现了100%的灵敏度和92%的特异性,用于早期癌症检测.
科学领域:
- 生物医学光学 生物医学光学
- 癌症的诊断 癌症的诊断
- 机器学习在医学中的应用
背景情况:
- 子宫内膜癌查缺乏非侵入性,准确的方法.
- 自发光分析为无标签的细胞评估提供了潜力.
- 癌细胞的代谢变化可以通过光终身成像显微镜 (FLIM) 检测到.
研究的目的:
- 开发和验证一种非侵入性,无标签的子宫内膜癌查方法.
- 评估将FLIM与多参数深度学习结合用于癌症风险预测的有效性.
- 评估由NAD(P) H自光衍生的代谢参数的诊断性能.
主要方法:
- 收集了来自71名参与者的部脱皮细胞.
- 使用FLIM检测NAD的自光信号.
- 提取了平均光寿命 (tm) 和与蛋白质结合的分数 (a2) 作为代谢参数.
- 开发了单参数和多参数深度学习模型用于预测.
主要成果:
- 集成tm和a2的多参数深度学习模型显著优于单参数模型.
- 多参数模型在外部测试中实现了100%的灵敏度和92%的特异性.
- 多参数模型的曲线下的面积 (AUC) 为0.92,比单参数模型提高0.17-0.31.
结论:
- 将多参数深度学习与FLIM相结合,显示出预测子宫内膜癌风险的巨大潜力.
- 这种方法为临床癌症查提供了一种新的非侵入性策略.
- 该方法利用细胞中的代谢变化进行准确的诊断.
相关概念视频
08:43Production and Multi-Parameter Live Cell Fluorescence Lifetime Imaging Microscopy (FLIM) of Multicellular Spheroids
09:30Open Source High Content Analysis Utilizing Automated Fluorescence Lifetime Imaging Microscopy
09:19Simultaneous Label-Free Autofluorescence Multi-Harmonic Microscopy
06:01Fluorescence Lifetime Macro Imager for Biomedical Applications
Analyzing Amyloid Structures in a Tissue Section Using Fluorescence Lifetime Imaging Microscopy
08:55Visualizing Intracellular SNARE Trafficking by Fluorescence Lifetime Imaging Microscopy


