案例 SuccessfulCase
拉曼光谱
拉曼光谱
模块拉曼
显微拉曼
角分辨光谱
角分辨光谱
微观角分辨
宏观角分辨
显微光谱
显微光谱
荧光
反射
辐射
通用光谱
通用光谱
反射
荧光
辐射
吸收
透射
全部案例
全部案例
全部案例
您当前所在的位置> 首页> 成功案例 >gora在口腔癌诊断中的应用
▌gora在口腔癌诊断中的应用
利用显微拉曼光谱快速分辨口腔癌的分化程度


   拉曼光谱      口腔癌      深度学习      特征选择      

【概述】口腔癌是一种高度流行和复发的癌症,早期诊断口腔癌的分化程度能够有效提高患者的生存率。目前的检测方法依赖于在存在显著病变的情况下进行活检,非常耗时。因此,有必要开发一种更经济、更方便的方法来鉴别口腔癌的分化程度。
图1,口腔癌诊断场景

近日,新疆大学吕小毅课题组在 Spectroscopy Letters 上发表了一篇题为《Diagnosing the degree of differentiation between types of oral cancer based on extreme deep neural network model and Raman spectroscopy》的文章。作者提出了一种高效快速测定口腔癌症分化程度的方法。通过特征选择和深度学习模型进行分类的联合应用,证明了拉曼光谱结合深度神经网络模型和极端梯度增强快速准确诊断口腔癌分化程度的可行性。
      
      【样品 & 测试】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组织样本,切片处理后进行拉曼光谱采集。 作者使用复享光学的高分辨显微光谱测量系统gora 测量了每个样品的拉曼光谱。记录每个样品在三个不同位置的光谱,并以三个光谱的平均光谱作为样品的光谱进行进一步分析。如图1所示,经过数据预处理后,将数据输入 XGBoost回归模型进行特征选择;然后,将特征输入到构造的深度神经网络模型DNN 中进行特征分类,并量化每个特征的程度,最终实现有效的特征选择。
图2,使用极端深度神经网络模型算法区分高分化和中低分化口腔癌患者的模型流程图

图2 显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谱,可以看出这些光谱中有显著差异的六个峰,分别是 573cm-1(色氨酸/胞嘧啶、鸟嘌呤)、776cm-1(磷脂酰肌醇)、852cm-1(脯氨酸、脯氨酸、羟脯氨酸和酪氨酸)、1064cm-1(=CH键)、1181cm-1(胞嘧啶、鸟嘌呤、腺嘌呤)、1586cm-1(苯丙氨酸、羟脯氨酸)。选取这六个峰引入神经网络模型,进行分化程度分类。
图3,高分化和中低度分化组织切片的平均拉曼光谱

本实验分别比较了常规的 DRF、CNN、VGG 和 DNN 四种模型的准确度,结果表明,DNN 的最佳效果为优。进一步地,将 DNN 与 XGBoost 结合构成 XDNN模型,在准确性、精度、敏感性、特异性、查全率、f1评分、曲线下面积(AUC)值共 7个分类评估指标上均取得了 100% 的结果。验证了拉曼光谱结合 XDNN模型在快速准确诊断口腔癌分化程度方面的有效性。
图4,实验精度结果对比图

【总结】通过血清拉曼光谱与极端深度神经网络相结合,作者对不同分化水平的口腔癌症样本进行了特征选择和相互作用,实现了对口腔癌症分化阶段最准确、最可靠的分类。复享光学提供显微光谱测量系统gora,高效、快速、低成本检测拉曼光谱,助力口腔癌诊断。
图5,文章对复享光学显微光谱测量系统gora 的标注


      【参考文献】
       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 
推荐产品:


显微光谱测量系统
 

共焦显微光谱模块
 

制冷型光谱仪