基于机器智能的荧光相关光谱分类癌症患者来源细胞外囊泡：一项试点研究结果
定量方法
2023-05-10 v1 机器学习
生物大分子
摘要
含有复杂生物 cargo 的患者来源细胞外囊泡 (EVs) 是有助于早期检测、癌症筛查与精准纳米治疗的有价值的液体活检诊断来源。本研究中，我们预测将癌症患者血液来源 EVs 与时间分辨光谱及人工智能 (AI) 耦合可提供稳健的癌症筛查与随访工具。方法：对 24 个血液样本来源的 EVs 进行荧光相关光谱 (FCS) 测量。血液样本取自 15 名癌症患者（呈现 5 种不同癌症类型）与 9 名健康对照（含良性病变患者）。所获 FCS 自相关谱经快速傅里叶变换算法处理为功率谱，并施以多种机器学习算法以区分癌症谱与健康对照谱。结果与应用：在 N=118 个功率谱的选定频率上测试了 AdaBoost 随机森林 (RF) 分类器、支持向量机与多层感知机的性能。RF 分类器在区分癌症患者与健康对照的 FCS 功率谱时表现出 90% 分类准确率及高灵敏度与特异性。进一步，将图像卷积神经网络 (CNN)、ResNet 网络与量子 CNN 作为附加验证工具评估于功率谱图像。所有基于图像的 CNN 表现出近乎一致的分类性能，准确率约 82% 且具合理高灵敏度与特异性得分。我们的试点研究表明，耦合时间分辨 FCS 功率谱的 AI 算法可准确且差异化地分类来自不同组织亚型癌症样本的复杂患者来源 EVs。
引用
@article{arxiv.2202.00495,
title = {Machine Intelligence-Driven Classification of Cancer Patients-Derived Extracellular Vesicles using Fluorescence Correlation Spectroscopy: Results from a Pilot Study},
author = {Abicumaran Uthamacumaran and Mohamed Abdouh and Kinshuk Sengupta and Zu-hua Gao and Stefano Forte and Thupten Tsering and Julia V Burnier and Goffredo Arena},
journal= {arXiv preprint arXiv:2202.00495},
year = {2023}
}
备注
23 pages, 6 figures