<b id="1qkgr"><rp id="1qkgr"><optgroup id="1qkgr"></optgroup></rp></b>
  1. <code id="1qkgr"></code>
      <td id="1qkgr"><nav id="1qkgr"></nav></td>

      <th id="1qkgr"><menuitem id="1qkgr"><blockquote id="1qkgr"></blockquote></menuitem></th>

    1. 泌尿外科

      通過光聲光譜學和機器學習結合有益于診斷前列

      作者:佚名 來源:MedSci梅斯 日期:2021-06-22
      導讀

               前列腺癌是一種發病率高、轉移后治愈率低的疾病。根據2019年的癌癥統計數據,前列腺癌是全球男性中第二大最常見的癌癥(僅次于肺癌和支氣管癌)。前列腺癌最常用的醫學影像診斷技術,如超聲或磁共振成像(MRI),無法提供化學成分信息,分辨率差,成本高。因此,滿足前列腺癌診斷的高準確性、高靈敏度、低侵襲性的標準仍然是困難的。 光聲理化分析(PAPCA)在前列腺癌的診斷中顯示出巨大的潛力。由于分子鍵和振動模

              前列腺癌是一種發病率高、轉移后治愈率低的疾病。根據2019年的癌癥統計數據,前列腺癌是全球男性中第二大最常見的癌癥(僅次于肺癌和支氣管癌)。前列腺癌最常用的醫學影像診斷技術,如超聲或磁共振成像(MRI),無法提供化學成分信息,分辨率差,成本高。因此,滿足前列腺癌診斷的高準確性、高靈敏度、低侵襲性的標準仍然是困難的。

              光聲理化分析(PAPCA)在前列腺癌的診斷中顯示出巨大的潛力。由于分子鍵和振動模式的差異,不同的生物大分子具有獨特的光吸收光譜,可以在不同的光照下檢測到。同時,利用光聲信號的超聲功率譜也可以根據生物組織的聲學特性進行表征。由于其超聲和光學特性,該方法可以同時評估前列腺組織的化學成分和顯微組織學特征,具有高分辨率和靈敏度,且微創。這一領域的進展將需要解決現有成像技術在前列腺癌診斷中的局限性,探索病理檢測和分析,并開發診斷工具。

              光聲光譜技術可以產生豐富的生物組織的化學和物理信息。然而,如此豐富的信息使得直接比較這些組織變得困難。數據挖掘方法可以避開這個問題。

              最近,Photoacoustics雜志發文描述了機器學習方法的應用(包括無監督層次聚類和監督分類)診斷前列腺癌的光聲頻譜分析。

              該研究將PAPCA與機器學習相結合,分析前列腺癌演變對應的光聲理化譜的特征變化。旨在闡明基于光聲理化譜的前列腺癌診斷的可行性。

              從22例根治性前列腺切除術中獲得101例標本。然后,基于無監督聚類對正常和腫瘤前列腺組織不同波長的功率譜進行相關性分析。首先,旨在探討不同生物大分子在前列腺癌進化過程中的微觀結構分布變化。第二,闡明基于光聲理化譜實現前列腺癌診斷的可行性。隨后,基于監督線性判別分析(LDA)和二次判別分析(QDA)算法,對光聲理化譜進行降維和特征參數提取,用于前列腺癌的診斷。

              機器學習算法框圖

              該研究關注的是血紅蛋白、膠原蛋白和脂質的含量和分布,因為這些分子在前列腺癌的發展過程中會發生變化。

              典型的正常和腫瘤組織的光聲理化譜如下圖所示。光譜顯示了正常組織和腫瘤組織之間的差異。在這兩個區域,腫瘤組織的光聲理化信號都比正常組織(橙色虛線框)強得多。在690-950 nm波段,主要的光和聲源是血紅蛋白。這條帶內腫瘤組織的顏色明顯強于正常組織,因為腫瘤進化過程中血管的增殖增加了腫瘤組織的整體血紅蛋白含量。在1200-1370 nm波段,主要的光聲源是脂質和膠原蛋白。它們的信號也顯著增強,表明前列腺組織的脂質和膠原蛋白含量在癌變過程中增加。將光聲信號強度譜(圖3b)與不同生物分子的光吸收譜(圖3c)進行比較,可以更清楚地觀察到這兩個區域的信號增強。

              上圖所示為癌變樣本與正常樣本的光聲理化譜比較。(a)典型正常(上)和癌(下)的光聲理化光譜。(b)正常和癌變樣本的光吸收光譜。正常前列腺組織和癌變前列腺組織在膠原蛋白和脂質吸收方面的差異如圖黑盒子所示。(c)生物組織中主要分子組分的相對光吸收光譜。

              聚類分析的有效性。(a) UPGMA結果的典型聚類樹。(b)生物大分子的光吸收光譜及波長編號示意圖。(c)正常和癌變樣本的統計聚類結果。

              使用PCCs和UPGMA將77個波長聚為6個波長組(圖4a)。將聚類結果與生物分子的光吸收光譜進行比較(圖4b)。雖然聚類樹的77個終端節點不是按0-76的順序排列,但圖4a中的波長分組與圖4b中不同生物大分子的光吸收基團高度一致。此外,由于分子鍵和振動模式的不同,不同生物大分子具有獨特的光吸收光譜。UPGMA有助于分析光聲光譜的差異,確定不同生物大分子產生的光聲信號占主導地位的檢測波長范圍。由于正常組織和癌組織中的主要生物分子沒有變化,所以正常組織和癌組織的聚類結果沒有顯著性差異。

              比較正常和癌變樣本的相關性。(a)正常樣本的聚類樹。(b)正常樣本熱圖。(c)癌變樣本的聚類樹。(d) 癌變樣本熱圖。(e)正常群體的相關權重(WR)網絡圖。(f)腫瘤組WR網絡圖。請注意鏈接(綠色箭頭)和標簽(紫色箭頭)的數量增加,以及較大的節點(橙色箭頭)。

              傳統的基于信號處理的方法和基于機器學習的方法的對比圖

              這些化學成分的超聲功率譜在癌變組織中比在正常組織中有更高的相關性,說明癌變組織的微觀結構分布更一致。不同分類方法在腫瘤組織診斷中的準確率達到82%(優于臨床標準方法)。因此,該技術顯示了巨大的潛力,無痛早期診斷侵襲性前列腺癌。

              該研究利用正常和癌變前列腺組織的光聲理化譜建立前列腺癌診斷模型。基于UPGMA聚類分析方法分析了正常和癌變組織中不同大分子之間的相關性差異,并區分了不同生物大分子的特征光吸收波段V1-V6。發現,前列腺癌組織中血紅蛋白、膠原蛋白和脂質的功率譜相關性明顯高于正常組織,這反映了根據正常和腫瘤樣本V1-V6可視化結果,這些生物分子分布的微結構相似性增加。這可能是因為復雜的腫瘤環境增加了光聲譜的復雜性,使單一物質的分布特征變得模糊,從而增加了光聲譜的相關性。這些結果表明,光聲理化譜能有效反映腫瘤發展過程中生物大分子的變化,可用于前列腺癌的診斷。

              該研究結果證明了將機器學習和光聲理化光譜技術結合在探索前列腺癌微觀結構和化學成分變化方面的可行性和有效性,從而促進前列腺癌的診斷。

              原文出處

              Yingna Chen, Qian Cheng,Prostate cancer identification via photoacoustic spectroscopy and machine learning,Photoacoustics,Volume 23,2021,100280,ISSN 2213-5979,https://doi.org/10.1016/j.pacs.2021.100280.

      分享:

      評論

      我要跟帖
      發表
      回復 小鴨梨
      發表

      copyright©醫學論壇網 版權所有,未經許可不得復制、轉載或鏡像

      京ICP證120392號  京公網安備110105007198  京ICP備10215607號-1  互聯網藥品信息服務資格證書:(京)-非經營性-2017-0056
      //站內統計 //百度統計 //谷歌統計 //站長統計
      *我要反饋: 姓    名: 郵    箱:
      性奴受虐调教视频国产,综合图区+亚洲+偷自拍,美女裸体无遮挡免费视频免费 免费国产毛片在线播放| 精品AV一区二区三区在线观看| 欧美BESTIALITY变态人禽交| 日韩高清亚洲日韩精品一区| 欧美A级毛欧美|级A大片| 性国产天堂VIDEOFREE高清| 小污女导航福利入口| 日本xxxx色视频在线观看| 五月丁香五月丁香激情| 20岁CHINESE青年男同志| 免费久久99精品国产自在现线| 1300部真实小u女视频合集| 开心五月激情综合婷婷| 欲求不満な人妻は毎晩隣人に| 男女裸交真人全过程| 亚洲VA久久久噜噜噜久久|