ACSNANO早期肺癌的诊断基于深

肺癌是目前发病率和死亡率均居首位的恶性肿瘤，早期诊断有助于良好的预后。液体活检捕获和检测体液中与肿瘤相关生物的标记物，在肿瘤早期诊断领域具有巨大潜力。外泌体是细胞分泌的30-nm细胞外囊泡，大量存在于体液中，携带遗传和分子信息。源自肺癌组织的外泌体包含多种肿瘤相关生物标记物，如EGFR,CD91和多种microRNA，为临床早期诊断提供有价值的信息。可应用于临床的肺癌外泌体标记物尚不明确，且靶向外泌体中的标记物也极具挑战。外泌体的光谱分析可以检测分子模式，其中可能包含各种潜在标记物的全面信息，而无需靶向特定标记物。

基于以上背景，HyunkuShin等人近期在《ACSNANO》发文，基于外泌体标记物特征，使用深度学习（DeepLearning）算法分析人血浆外泌体的表面增强拉曼光谱（Surface-enhancedRamanSpectroscopy,SERS），探究了此方法对早期肺癌诊断的潜在意义。

基于深度学习的循环外泌体分析用于肺癌诊断的方法流程

1.研究团队首先从细胞培养上清液和人血浆样本中分离外泌体，使用金纳米颗粒（GoldNanoparticle,GNP）包被的板收集SERS信号，获得了HPAEC（正常细胞）和肺癌细胞外泌体的平均SERS信号，以及健康对照组和肺癌患者血浆外泌体的平均SERS信号。

2.基于残差神经网络（ResidualNeuralNetwork,Resnet）的深度学习模型，使用来自细胞上清外泌体的光谱数据集生成用于细胞类型二元分类的模型。生成的模型可将外泌体数据分为两个类别，此模型可以预测外泌体来源于健康对照或肺癌患者。

3.使用马氏距离（MahalanobisDistance）作为各类别之间相似性的标准。使用末端完全连接（FullyConnected,FC）层的主成分分析（PrincipalComponentAnalysis,PCA）分数，可计算血浆外泌体和细胞外泌体之间的马氏距离，以定量估算血浆外泌体数据与癌细胞外泌体数据的相似程度，由此预测癌症的发生和发展。

研究者收集分离了①肺癌患者组②健康对照人群组的血浆外泌体，与肺癌细胞来源外泌体进行比对分别估算相似度，发现肺癌组的相似度为健康对照组的1.5倍，差异具有统计学意义。且随着肺癌分期的增加，相似度呈显著上升趋势。这种差异在I期甚至IA期患者中都具有显著统计学意义。

4.研究团队根据ROC曲线确定了最佳cutoff值为2.17，由此得到诊断模型，在所有患者（I期和II期）中显示出84％的敏感性和85％的特异性，且I期患者也能够以84％的灵敏度被检测到。

总结：使用深度学习算法分析人血浆外泌体SERS的方法显示出其识别早期肺癌患者的能力。这种无创、安全和灵敏的分析方法作为早期肺癌的筛查工具可能具有良好的前景。

注释：

1.深度学习(DeepLearning)：

是机器学习中一种基于对数据进行表征学习的算法。

观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或更抽象地表示成一系列特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。其目标是寻求更好的表示方法并创建更好的模型来从大规模未标记数据中学习这些表示方法。

至今已有数种深度学习框架，如深度神经网络、卷积神经网络、深度置信网络和循环神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

2.残差神经网络（Resnet）：

即卷积神经网络（ConvolutionalNeuralNetworks,CNN），是一类包含卷积计算且具有深度结构的前馈神经网络（FeedforwardNeuralNetworks），是深度学习的代表算法之一。其具有表征学习（RepresentationLearning）能力，能够按其阶层结构对输入信息进行平移分类。

相关知识链接（感兴趣者可自行学习）：

转载请注明：http://www.makingchance.com/lcbx/7549.html