检索历史 清除

摘要胃癌是恶性肿瘤中危害最严重的癌症之一，其发病率和死亡率在我国一直较高。胃镜结合活检病理是目前诊断胃癌的金标准，但此方法与医生的临床经验、采样的区域等有关系，存在漏诊风险，因此寻找新的胃癌诊断方法很有必要。拉曼光谱技术是基于光与物质相互作用发生非弹性散射的光学检测方法，主要利用入射光和散射光之间的能量差表征样品中分子的结构信息。根据拉曼光谱无损、快速、准确的优点，将其应用于胃癌的检测和诊断。<br>　　本文分两部分，第一部分是分析胃黏膜的拉曼光谱，研究癌变后胃黏膜的生化成分变化和重要大分子在区域中的变化规律。使用共聚焦显微拉曼光谱仪测量胃腺癌和癌旁正常胃黏膜的拉曼光谱，由光谱可知在750cm-1、1004cm-1和1449cm-1及1089~1128cm-1、1311~1367cm-1和1585~1665cm-1三个波段均存在明显变化，分别从谱峰位置、谱峰强度、谱峰比和拉曼成像四个角度研究。就谱峰位置而言，结合分子特定的振动和转动的情况，将特征峰分类归属，分析每个特征峰出现的原因。针对特征峰的改变进行分析，特征峰强度的改变是由胃黏膜组织中生物大分子的变化引起的，本文依次对拉曼光谱中出现的核酸、细胞色素c、苯丙氨酸、胶原蛋白、酰胺Ⅲ和酰胺I以及不饱和脂肪酸展开研究，探讨其在癌变过程中改变的原因。关于谱峰比，通过计算不同的谱峰比分析了不同物质之间量比的变化，进而分析在癌变过程中，不同成分的占比情况。同时对于出现的谱峰重叠，同样使用谱峰比来检测具体物质的变化。最后通过拉曼成像实现胃黏膜组织中重要大分子分布和含量变化的可视化。综上，拉曼光谱技术具有检测胃黏膜癌变的潜力。<br>　　第二部分是结合机器学习的拉曼光谱分析。根据拉曼光谱特征数据多且前后特征数据具有关联性的特点，搭建了SENet-LSTM和深度残差收缩网络两种模型框架，将特征提取和分类集于一体完成胃癌组织和正常组织的自动分类。在这两个模型中都添加了注意力机制，使得算法在学习过程中可以关注重要特征减少噪声的影响。两个模型的分类准确率分别是97.81%和92.41%，AUC均值分别为0.99和0.97。两种数据结果表明，拉曼光谱结合机器学习可以很好地实现正常和癌变胃黏膜的分类。同时，数据的可解释性也很重要，本文采用传统的机器学习算法Lasso和遮盖法进行重要特征的寻找，通过算法实现了特征提取，并将拉曼光谱的重要特征段可视化进而在光谱图中显示分类依据的重要光谱区域。对比发现，机器学习与人工识别的结果大致吻合，甚至一些人工分析中没有注意到的特征光谱算法分析也对其进行了标记。研究结果表明，机器学习在肿瘤诊断领域的拉曼光谱分析中有重要应用价值，将极大地提高分类速度和准确率。