Cочетание лазерно-искровой эмиссионной спектроскопии с машинным обучением для выявления рака легких

Лазерно-искровая эмиссионная спектроскопия (LIBS) в сочетании с машинным обучением использована для дифференциации образцов раковых опухолей легких и нормальных тканей. Образцы плазмы собирали с помощью лазерной абляции при 1064 нм для получения характерных спектров образцов опухолей легких и нормальных тканей. Для диагностики злокачественных новообразований выбраны 12 линий C, Mg, Ca, C-N, Na и K. Для установления модели дискриминации опухолей и нормальных тканей использованы модели PCA, SVM, KNN, Decision Tree и Bagged Tree. Для оценки модели дискриминации использован метод 10-кратной перекрестной проверки. Лучшие результаты показала интегрированная обучающая модель Bagged Tree с общей точностью 98.9%, чувствительностью и специфичностью 98.6 и 99.3% и площадью под кривой (AUC) 0.982. Предположено, что LIBS можно использовать как быстрый и точный способ идентификации опухолей легких человека. 

1. D. W. Yang, Y. Liu, C. B. Bai, X. D. Wang, C. A. Powell, Cancer Lett., 468, 82–87 (2020).

2. D. R. Lewis, D. P. Check, N. E. Caporaso, W. D. Travis, S. S. Devesa, Cancer, 120, No. 18, 2883–2892 (2015).

3. F. R. Zhu, R. Ding, R. Q. Lei, H. Cheng, J. Liu, C. W. Shen, et al., Respiratory Medicine, 146, 57–65 (2019).

4. S. H. Moolgavkar, T. R. Holford, D. T. Levy, C. Y. Kong, M. Foy, L. Clarke, et al., J. Nat. Cancer Institute, 104, No. 7, 541–548 (2012).

5. W. Q. Chen, R. S. Zheng, H. M. Zeng, S. W. Zhang, Thoracic Cancer, 6, No. 2, 209–215 (2015).

6. F. Bray, J. Ferlay, I. Soerjomataram, R. L. Siegel, L. A. Torre, A. Jemal, Cancer J. Clin., 68, No. 6, 394–424 (2018).

7. L. Filograna, J. Lenkowicz, F. Cellini, N. Dinapoli, S. Manfrida, N. Magarelli, et al., Radiologia Medica, 124, No. 1, 50–57 (2018).

8. W. D. Travis, N. Rekhtman, Seminars in Respiratory & Critical Care Medicine, 32, No. 1, 22–31 (2011).

9. A. Jabbar, Z. Y. Hou, J. C. Liu, R. Ahmed, S. Mahmood, Z. Wang, Spectrochim. Acta, B: At. Spectrosc., 157, 84–90 (2019).

10. G. Kim, J. Kwak, K. R. Kim, H. Lee, K. W. Kim, H. Yang, et al., J. Hazard. Mater., 263, No. 2, 754–760 (2013).

11. S. Niu, L. J. Zheng, A. Q. Khan, G. Feng, H. P. Zeng, Talanta, 179, No. 1, 312–317 (2018).

12. G. Bilge, H. M. Velioglu, B. Sezer, K. E. Eseller, I. H. Boyaci, Meat Sci., 119, No. 9, 118–122 (2016).

13. C. A. Munson, F. C. De Lucia Jr., T. Piehler, K. L. McNesby, A. W. Miziolek, Spectrochim. Acta, B: At. Spectrosc., 60, No. 7, 1217–1224 (2005).

14. V. K. Singh, V. Kumar, J. Sharma, Lasers in Medical Science, 30, No. 6, 1763–1778 (2015).

15. R. Kanawade, F. Mehari, C. Knipfer, M. Rohde, K. T. Gerk, M. Schmidt, et al., Spectrochim. Acta, B: At. Spectrosc., 87, 175–181 (2013).

16. A. Kumar, F. Y. Yueh, J. P. Singh, S. Burgess, Appl. Opt., 43, No. 28, 5399 (2004).

17. A. El-Hussein, A. K. Kassem, H. Ismail, M. A. Harith, Talanta, 82, No. 2, 495–501 (2010).

18. Y. W. Chu, T. Chen, F. Chen, Y. Tang, S. S. Tang, H. L. Jin, et al., J. Analyt. At. Spectrometry, 33, No. 12, 2083–2088 (2018).

19. Y. Y. Liu, S. Y. Zhao, X. Gao, S. Y. Fu, C. Song, Y. P. Dou, S. Z. Song, C. Y. Qi, J. Q. Lin, RSC Adv., 12, 34520 (2022).

20. P. Petousis, S. X. Han, D. Aberle, A. T. Bui Alex, Artificial Intelligence in Medicine, 72, No. 9, 42–55 (2016).

21. H. Asri, H. Mousannif, H. A. Moatassime, T. Noel, Proc. Comp. Sci., 83, 1064–1069 (2016).

22. S. Palmqvist, P. S. Insela, H. Zetterberg, K. Blennow, B. Brixg, E. Stomrud, et al., Alzhmer’s & Dementia, 15, No. 2 (2019).