拉曼光谱结合机器学习模型在宫颈病变病理切片分级的应用研究-论文-万方医学网

拉曼光谱结合机器学习模型在宫颈病变病理切片分级的应用研究

二维码有效期 120s

收藏纠错

摘要目的：通过分析7种不同级别宫颈病变病理切片的拉曼光谱（RS）谱图，并结合不同的算法，证明RS可以成功区分不同级别的宫颈病理切片，为RS在宫颈癌前病变和宫颈癌临床诊断中的应用奠定了基础。方法：选取233例不同类型的宫颈组织标本，其中宫颈炎症（n=41）为对照组，CIN（宫颈上皮内瘤变）I（n=14）、CINII-III（n=42）、宫颈鳞癌（n=102）和宫颈腺癌（n=34）为实验组，进一步将宫颈鳞癌分为高分化鳞癌（n=26）、中分化鳞癌（n=42）、低分化鳞癌（n=34）。分析7种宫颈组织的RS，总结不同类型组织的优势拉曼峰，比较7种组织样本的化学成分差异。采用独立样本t检验分析不同类型宫颈组织RS平均相对强度的差异。最后分别采用主成分分析-贝叶斯（PCA-NB）算法、主成分分析-支持向量机（PCA-SVM）算法、主成分分析-决策树（PCA-DT）算法建立7种组织样本的诊断分类模型。结果：1.7种宫颈组织的RS有明显差异。2.7种组织的RS相对强度的差异可以反映7种组织中生化成分的差异。3.RS结合PCA-NB、PCA-SVM、PCA-DT算法建立的分类模型，诊断准确率分别为92.81%、87.04%、61.75%。结论：1.RS结合PCA-NB算法可以成功分类宫颈炎症、宫颈癌前病变（CINI、CINII-III）、宫颈癌（高分化鳞癌、中分化鳞癌、低分化鳞癌和腺癌），准确率高达92.81%。2.RS可望为临床诊断宫颈病变提供一种新的方法。