|
▌gora在口腔癌診斷中的應用
利用顯微拉曼光譜快速分辨口腔癌的分化程度
拉曼光譜
口腔癌
深度學習
特征選擇
【概述】口腔癌是一種高度流行和復發的癌癥，早期診斷口腔癌的分化程度能夠有效提高患者的生存率。目前的檢測方法依賴于在存在顯著病變的情況下進行活檢，非常耗時。因此，有必要開發一種更經濟、更方便的方法來鑒別口腔癌的分化程度。
近日，新疆大學呂小毅課題組在 Spectroscopy Letters 上發表了一篇題為《Diagnosing the degree of differentiation between types of oral cancer based on extreme deep neural network model and Raman spectroscopy》的文章。作者提出了一種高效快速測定口腔癌癥分化程度的方法。通過特征選擇和深度學習模型進行分類的聯合應用，證明了拉曼光譜結合深度神經網絡模型和極端梯度增強快速準確診斷口腔癌分化程度的可行性。
【樣品 & 測試】作者收集了 38例高分化口腔癌患者和 43例中低度分化口腔癌患者的口腔組織樣本，切片處理后進行拉曼光譜采集。 作者使用復享光學的高分辨顯微光譜測量系統gora 測量了每個樣品的拉曼光譜。記錄每個樣品在三個不同位置的光譜，并以三個光譜的平均光譜作為樣品的光譜進行進一步分析。如圖1所示，經過數據預處理后，將數據輸入 XGBoost回歸模型進行特征選擇；然后，將特征輸入到構造的深度神經網絡模型DNN 中進行特征分類，并量化每個特征的程度，最終實現有效的特征選擇。
圖2，使用極端深度神經網絡模型算法區分高分化和中低分化口腔癌患者的模型流程圖
|
圖2 顯示了高分化口腔癌患者和中度低分化口腔癌患者的平均拉曼光譜，可以看出這些光譜中有顯著差異的六個峰，分別是 573cm-1（色氨酸/胞嘧啶、鳥嘌呤）、776cm-1（磷脂酰肌醇）、852cm-1（脯氨酸、脯氨酸、羥脯氨酸和酪氨酸）、1064cm-1（=CH鍵）、1181cm-1（胞嘧啶、鳥嘌呤、腺嘌呤）、1586cm-1（苯丙氨酸、羥脯氨酸）。選取這六個峰引入神經網絡模型，進行分化程度分類。
本實驗分別比較了常規的 DRF、CNN、VGG 和 DNN 四種模型的準確度，結果表明，DNN 的最佳效果為優。進一步地，將 DNN 與 XGBoost 結合構成 XDNN模型，在準確性、精度、敏感性、特異性、查全率、f1評分、曲線下面積（AUC）值共 7個分類評估指標上均取得了 100% 的結果。驗證了拉曼光譜結合 XDNN模型在快速準確診斷口腔癌分化程度方面的有效性。
【總結】通過血清拉曼光譜與極端深度神經網絡相結合，作者對不同分化水平的口腔癌癥樣本進行了特征選擇和相互作用，實現了對口腔癌癥分化階段最準確、最可靠的分類。復享光學提供顯微光譜測量系統gora，高效、快速、低成本檢測拉曼光譜，助力口腔癌診斷。
圖5，文章對復享光學顯微光譜測量系統gora 的標注
|
【參考文獻】
? Chen Z, Gong Z, Chang C,;et al. Diagnosing the degree of differentiation between types of oral cancer based on extreme deep neural network model and Raman spectroscopy. Spectroscopy Letters (2024). Link
|