文献速递:肺癌早期诊断---早期肺癌诊断:基于深度学习的循环外泌体光谱分析

本文主要是介绍文献速递:肺癌早期诊断---早期肺癌诊断:基于深度学习的循环外泌体光谱分析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Title 

题目

Early-Stage Lung Cancer Diagnosis by Deep Learning-Based Spectroscopic Analysis of Circulating Exosomes

早期肺癌诊断:基于深度学习的循环外泌体光谱分析

Abstract

摘要

Lung cancer has a high mortality rate, but an early diagnosis can contribute to a favorable prognosis. A liquid biopsy that captures and detects tumor-related biomarkers in body fluids has great potential for early-stage diagnosis.Exosomes, nanosized extracellular vesicles found in blood,have been proposed as promising biomarkers for liquid biopsy. Here, we demonstrate an accurate diagnosis of early-stage lung cancer, using deep learning-based surface-enhanced Raman spectroscopy (SERS) of the exosomes. Our approach was to explore the features of cell exosomes through deep learning and figure out the similarity in human plasma exosomes, without learning insufficient human data. The deep learning model was trained with SERS signals of exosomes derived from normal and lung cancer cell lines and could classify them with an accuracy of 95%. In 43 patients, including stage I and II cancer patients, the deep learning model predicted that plasma exosomes of 90.7% patients had higher similarity to lung cancer cellexosomes than the average of the healthy controls. Such similarity was proportional to the progression of cancer. Notably, the model predicted lung cancer with an area under the curve (AUC) of 0.912 for the whole cohort and stage I patients with an AUC of 0.910. These results suggest the great potential of the combination of exosome analysis and deep learning as a method for early-stage liquid biopsy of lung cancer.

肺癌的死亡率很高,但早期诊断可以带来较好的预后。液体活检通过捕获和检测体液中的肿瘤相关生物标志物,对早期诊断具有巨大潜力。外泌体是在血液中发现的纳米级细胞外囊泡,已被提议作为液体活检的有希望的生物标志物。在这里,我们展示了一种使用基于深度学习的表面增强拉曼光谱(SERS)分析外泌体进行早期肺癌准确诊断的方法。我们的方法是通过深度学习探索细胞外泌体的特征,并找出人体血浆外泌体的相似性,而不需要依赖人类数据的充分学习。深度学习模型训练了来自正常和肺癌细胞系的外泌体的SERS信号,并能以95%的准确率进行分类。在包括I期和II期癌症患者在内的43位患者中,深度学习模型预测90.7%的患者的血浆外泌体与肺癌细胞外泌体的相似性高于健康对照组的平均水平。这种相似性与癌症的进展成正比。值得注意的是,该模型预测肺癌的整个队列的曲线下面积(AUC)为0.912,I期患者的AUC为0.910。这些结果表明,外泌体分析与深度学习结合作为肺癌早期液体活检的方法具有巨大潜力。

Conclusions

结论

In conclusion, we demonstrate that the deep learning analysis of the nanoplasmonic sensing technique can be used to identify early-stage lung cancer patients, with high accuracy. Without specific biomarkers, our method was able to detect the signal feature of lung cancer cell-derived exosomes among plasma exosomes. The deep learning model supervised by cellular exosomes successfully identified the lung cancer patients and even detected stage I patients. Our method basically relies on anoninvasive, safe, and sensitive analytic method for detecting lung cancer cell-derived exosomes in blood. These suggest that our method can be used as a routine prescreening tool for lungcancer.

综上所述,我们证明了纳米光学感知技术的深度学习分析可以用于高准确度地识别早期肺癌患者。在没有特定生物标志物的情况下,我们的方法能够在血浆外泌体中检测到肺癌细胞来源的外泌体的信号特征。由细胞外泌体监督的深度学习模型成功地识别了肺癌患者,甚至检测到了 I 期患者。我们的方法基本上依赖于一种非侵入性、安全和敏感的分析方法,用于检测血液中的肺癌细胞来源的外泌体。这些结果表明,我们的方法可以作为肺癌的常规筛查工具使用。

Results

结果

Evaluation of Isolated Exosomes. To characterize SERS signals of exosomes from lung-related cells, we employed human pulmonary alveolar epithelial cells (HPAEpiC) for normal cellexosome and A549, H460, H1299, H1763, and PC9 cells for cancer cell exosomes. To differentiate cancer patients from healthy controls, we collected human plasma samples from 20 healthy controls and 43 lung adenocarcinoma patients, with 22 patients in stage IA, 16 in stage IB, and 5 in stage IIB (Table S1). Since all patients have undergone surgical resection, the pathological stage was confirmed.

孤立外泌体的评估。为了表征与肺相关的细胞产生的外泌体的 SERS 信号,我们利用人肺泡上皮细胞(HPAEpiC)作为正常细胞外泌体的来源,以及 A549、H460、H1299、H1763 和 PC9 细胞作为癌细胞外泌体的来源。为了区分癌症患者和健康对照者,我们收集了20名健康对照者和43名肺腺癌患者的人血浆样本,其中22名患者处于IA期,16名处于IB期,5名处于IIB期(表 S1)。由于所有患者均接受了手术切除,因此病理分期得以确认。

Figure

图片

Figure 1. Schematic illustration of deep learning-based circulating exosome analysis for lung cancer diagnosis. (a) Circulation of lung cancertumor exosomes in the bloodstream. (b) Collection of spectroscopic data of exosomes by surface-enhanced Raman spectroscopy (SERS). (c)Overview of deep learning-based cell exosome classification and lung cancer diagnosis using exosomal SERS signal patterns.

图 1. 基于深度学习的循环外泌体分析用于肺癌诊断的示意图。(a) 肺癌肿瘤外泌体在血液中的循环。(b) 通过表面增强拉曼光谱(SERS)收集外泌体的光谱数据。(c) 使用外泌体SERS信号模式的基于深度学习的细胞外泌体分类及肺癌诊断概览。

图片

Figure 2. SERS detection of the isolated exosomes. (a, b) NTA results of (a) cell culture media and (b) human plasma-derived exosomes. The insets show observed particles by NTA. (c) Photograph and SEM images of the SERS substrate that is covered with 100 nm GNPs. (d) Detecting method of the exosomes on the SERS substrate. (e, f) Average SERS signals of (e) cell media supernatant-derived and (f) human plasma-derived exosomes.

图2. 分析孤立的外泌体的 SERS 检测结果。(a, b) (a) 细胞培养基和 (b) 人血浆来源的外泌体的 NTA 结果。插图显示了 NTA 观察到的颗粒。(c) 被 100 纳米 GNPs 覆盖的 SERS 衬底的照片和 SEM 图像。(d) 在 SERS 衬底上检测外泌体的方法。(e, f) (e) 细胞培养基上清液来源和 (f) 人血浆来源的外泌体的平均 SERS 信号。

图片

Figure 3. Deep learning-based cell exosome classification. (a) Architecture of the Resnet-based deep learning model. One-directional input data extended their channel by initial convolutional layer, which has 64 filters and reduced data length by the pooling layer, which has a kernel size of After basic blocks, two FC layers with a ReLU activation layer and a 40% dropout layer were connected. The numbers below the basic block indicate the length and number of channels at the output, respectively. (b) Training loss and accuracy. The displayed loss and accuracy were the values obtained with the dropout layer deactivated after training at each epoch. (c) Final output score of 200 representative data by training iterations.

图3. 基于深度学习的细胞外泌体分类。(a)基于 Resnet 的深度学习模型架构。单向输入数据通过初始卷积层扩展其通道,该卷积层具有64个滤波器,并通过具有3个内核大小的池化层减少数据长度。在基本块之后,连接了两个具有 ReLU 激活层和40% 丢失率的全连接层。基本块下面的数字分别表示输出的长度和通道数量。(b)训练损失和准确率。显示的损失和准确率是在每个周期训练后关闭了丢失率层后得到的值。(c)经过训练迭代的200个代表性数据的最终输出分数。

图片

Figure 4. Deep learning-based diagnosis of lung cancer patients. (a) Schematic overview of calculation of the relative similarity with cancer cell derived exosome spectra. D indicates Mahalanobis distance between PC scores of the observed plasma and supervised cellular exome data. (b,c) Heat map of the relative similarity to the cancer cell exosomes of (b) 20 healthy controls (HC) and (c) 43 lung cancer patients (LC). Thevalues are displayed in ascending order. (d) Bar graph showing the average similarity to cancer cell exosomes. The dotted gray line indicates theoptimized cutoff value. (e) Comparison of total HC and LC. (f) Gradual increase of the similarity by advancing lung cancer stages. All error bars represent standard errors. The p-values were calculated with the independent two-sample t test. (g) ROC curves and their AUC values.

图4. 基于深度学习的肺癌患者诊断。(a)计算与癌细胞来源的外泌体光谱相对相似度的示意概述。D 表示观察到的血浆和受监督的细胞外泌体数据之间的 PC 分数的马氏距离。(b, c)相对于癌细胞外泌体的相对相似度热图,分别为(b)20名健康对照者(HC)和(c)43名肺癌患者(LC)。数值按升序显示。(d)显示平均相似度到癌细胞外泌体的条形图。虚线灰线表示优化的截止值。(e)总健康对照者和肺癌患者的比较。(f)随着肺癌分期的推进,相似度逐渐增加的对比。所有误差线代表标准误差。p 值是用独立双样本 t 检验计算的。(g)ROC 曲线及其 AUC 值。

Table

图片

Table 1. Confusion Matrix of Our Deep Learning Modela

表1. 我们的深度学习模型的混淆矩阵

这篇关于文献速递:肺癌早期诊断---早期肺癌诊断:基于深度学习的循环外泌体光谱分析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/937321

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

好题——hdu2522(小数问题:求1/n的第一个循环节)

好喜欢这题,第一次做小数问题,一开始真心没思路,然后参考了网上的一些资料。 知识点***********************************无限不循环小数即无理数,不能写作两整数之比*****************************(一开始没想到,小学没学好) 此题1/n肯定是一个有限循环小数,了解这些后就能做此题了。 按照除法的机制,用一个函数表示出来就可以了,代码如下

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个