基于机器学习的多模态光谱液体活检用于早期多癌检测
机器学习
2026-05-14 v1
摘要
癌症是全球死亡原因的前列之一，使得开发快速、无创、无标签且可扩展的诊断策略成为现代肿瘤学中的重大挑战。在此背景下，光谱液体活检已成为一种有前景的替代方案，因为它使对生物流液中生化改变的整体表征成为可能。本文提出了一个基于机器学习（ML）方法的多模态光谱液体活检框架，用于多癌检测，该框架结合了傅里叶变换红外（FTIR）光谱、拉曼光谱和激发-发射矩阵（EEM）荧光光谱。对来自乳腺癌患者、结直肠癌患者和健康对照的血清样本通过三种光谱模式进行分析。在各模态特定的预处理后，采用低层数据融合（LLDF）整合不同光谱测量中编码的互补生化信息，并使用 XGBoost 模型进行分类。评估了七种实验配置，包括三个单模态方法、所有两两组合的双模态配置以及 FTIR、拉曼和 EEM 荧光的完整多模态方法。结果显示，尽管几个单个模态实现了较高的判别性能，但多模态融合提供了最具均衡性的整体结果，在乳腺癌和结直肠癌上的 ROC-AUC 分别达到 0.997 和 0.994，并伴随高度均衡的灵敏度和特异度值。
引用
@article{arxiv.2605.13218,
title = {Machine Learning-Driven Multimodal Spectroscopic Liquid Biopsy for Early Multicancer Detection},
author = {Alejandro Leonardo García Navarro and Javier Cachón Ortiz and Javier González Colsa and Samuel García Díaz and Carlos Viadero Valderrama},
journal= {arXiv preprint arXiv:2605.13218},
year = {2026}
}