論文の概要: Machine Learning Characterization of Cancer Patients-Derived
Extracellular Vesicles using Vibrational Spectroscopies
- arxiv url: http://arxiv.org/abs/2107.10332v1
- Date: Wed, 21 Jul 2021 19:56:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 12:57:33.999762
- Title: Machine Learning Characterization of Cancer Patients-Derived
Extracellular Vesicles using Vibrational Spectroscopies
- Title（参考訳）: 振動分光法による癌患者由来細胞外小胞の機械学習解析
- Authors: Abicumaran Uthamacumaran, Samir Elouatik, Mohamed Abdouh, Michael
Berteau-Rainville, Zhu- Hua Gao, and Goffredo Arena
- Abstract要約: 基礎的な機械学習アルゴリズムは、がん患者のEVと健康な患者のEVの複雑な振動スペクトルを識別する強力なツールであることを示す。
これらの方法は、マシンインテリジェンスによる早期がん検診において、有効かつ効率的な液体生検を約束する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The early detection of cancer is a challenging problem in medicine. The blood
sera of cancer patients are enriched with heterogeneous secretory lipid bound
extracellular vesicles (EVs), which present a complex repertoire of information
and biomarkers, representing their cell of origin, that are being currently
studied in the field of liquid biopsy and cancer screening. Vibrational
spectroscopies provide non-invasive approaches for the assessment of structural
and biophysical properties in complex biological samples. In this study,
multiple Raman spectroscopy measurements were performed on the EVs extracted
from the blood sera of 9 patients consisting of four different cancer subtypes
(colorectal cancer, hepatocellular carcinoma, breast cancer and pancreatic
cancer) and five healthy patients (controls). FTIR(Fourier Transform Infrared)
spectroscopy measurements were performed as a complementary approach to Raman
analysis, on two of the four cancer subtypes.
The AdaBoost Random Forest Classifier, Decision Trees, and Support Vector
Machines (SVM) distinguished the baseline corrected Raman spectra of cancer EVs
from those of healthy controls (18 spectra) with a classification accuracy of
greater than 90% when reduced to a spectral frequency range of 1800 to 1940
inverse cm, and subjected to a 0.5 training/testing split. FTIR classification
accuracy on 14 spectra showed an 80% classification accuracy. Our findings
demonstrate that basic machine learning algorithms are powerful tools to
distinguish the complex vibrational spectra of cancer patient EVs from those of
healthy patients. These experimental methods hold promise as valid and
efficient liquid biopsy for machine intelligence-assisted early cancer
screening.
- Abstract（参考訳）: 癌の早期発見は医学において難しい問題である。
がん患者の血液の血清には、異種な分泌脂質結合型細胞外小胞(evs)が富まれており、それらは、その起源細胞を表す情報とバイオマーカーの複雑なレパートリーを示し、液体生検およびがんスクリーニングの分野で現在研究されている。
振動分光法は、複雑な生体試料の構造と生体物性の評価に非侵襲的なアプローチを提供する。
本研究では,4種類の癌サブタイプ(大腸癌,肝細胞癌,乳癌,膵癌)と5種類の健常患者(対照群)からなる9例の血液血清から抽出したEVを用いて,複数のラマン分光測定を行った。
FTIR(Fourier Transform Infrared)測定はRaman解析の相補的アプローチとして4種類の癌サブタイプのうち2種類を用いて行った。
AdaBoost Random Forest Classifier, Decision Trees, and Support Vector Machines (SVM) は、がんEVのベースライン修正ラマンスペクトルを、1800～1940 inverse cmのスペクトル周波数範囲に減少すると90%以上の分類精度で識別し、0.5のトレーニング/テスト分割を受けた。
14スペクトルのFTIR分類精度は80%であった。
以上の結果から, 基礎的機械学習アルゴリズムは, がん患者EVと健常患者EVの複雑な振動スペクトルを識別する強力なツールであることがわかった。
これらの実験方法は、マシンインテリジェンスによる早期がん検診における有効かつ効率的な液体生検である。
関連論文リスト
- Screen Them All: High-Throughput Pan-Cancer Genetic and Phenotypic Biomarker Screening from H&E Whole Slide Images [3.119559770601732]
通常のH&EスライドでのAIの使用は、複数の分子バイオマーカーのスクリーニングに迅速かつ経済的アプローチを提供する。
我々は,300万スライドで事前学習した基礎モデルであるVirchow2を利用した高スループットAIベースシステムを提案する。
バイオマーカーや癌の種類ごとに個別のモデルを訓練する従来の手法とは異なり、我々のシステムは、幅広い臨床関連分子バイオマーカーを同時に予測するために統一されたモデルを採用している。
論文 参考訳（メタデータ） (2024-08-18T17:44:00Z) - Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。
本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文 参考訳（メタデータ） (2024-05-23T07:03:38Z) - Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。
ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。
本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文 参考訳（メタデータ） (2024-05-13T15:40:56Z) - Dual-path convolutional neural network using micro-FTIR imaging to
predict breast cancer subtypes and biomarkers levels: estrogen receptor,
progesterone receptor, HER2 and Ki67 [0.0]
新しい畳み込みニューラルネットワークであるCaReNet-V2は、乳がんと隣接する組織を分類し、バイオマーカーのレベルを予測するために開発された。
このモデルにより, ER, PR, HER2レベルの予測が可能となった。
論文 参考訳（メタデータ） (2023-10-23T17:05:53Z) - One-dimensional convolutional neural network model for breast cancer
subtypes classification and biochemical content evaluation using micro-FTIR
hyperspectral images [0.0]
本研究は乳がんの亜型評価と生化学的貢献のための1次元深層学習ツールを開発した。
新しい1D畳み込みニューラルネットワークCaReNet-V1は乳癌(CA)と隣接組織(AT)を分類するために開発された
Grad-CAMの1次元適応を応用し, 生体化学的影響について検討した。
論文 参考訳（メタデータ） (2023-10-23T16:58:34Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳（メタデータ） (2023-04-12T15:08:34Z) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳（メタデータ） (2023-03-23T18:50:18Z) - Improving the diagnosis of breast cancer based on biophysical ultrasound
features utilizing machine learning [0.0]
乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。
以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
論文 参考訳（メタデータ） (2022-07-13T23:53:09Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳（メタデータ） (2022-03-23T00:58:27Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳（メタデータ） (2022-02-17T08:33:52Z) - Machine Intelligence-Driven Classification of Cancer Patients-Derived
Extracellular Vesicles using Fluorescence Correlation Spectroscopy: Results
from a Pilot Study [0.0]
我々は、がん患者血液由来のEVを時間分解分光法と人工知能に結合させることで、がんスクリーニングと追跡ツールを堅牢に提供できると予測した。
我々のパイロット研究は、AIアルゴリズムと時間分解型FCSパワースペクトルが、異なるがんサンプルから複雑な患者由来EVを正確に、微分的に分類できることを実証した。
論文 参考訳（メタデータ） (2022-02-01T15:46:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。