Rapid detection of nasopharyngeal cancer using Raman spectroscopy and multivariate statistical analysis
Notice bibliographique
Résumé
Optical spectroscopic techniques, including Raman spectroscopy, have shown promise for in vivo cancer diagnostics in a variety of organs. In this study, the potential use of a home‑made Raman spectral system with a millimeter order excitation laser spot size combined with a multivariate statistical analysis for the rapid detection and discrimination of nasopharyngeal cancer from normal nasopharyngeal tissue was evaluated. Raman scattering signals were acquired from 16 normal and 32 nasopharyngeal carcinoma tissue samples. Linear discriminant analysis (LDA) based on principal component analysis (PCA) and partial least squares (PLS) were employed to generate diagnostic algorithms for the classification of different nasopharyngeal tissue types. Spectral differences in Raman spectra between the two types of tissues were revealed; the normalized intensities of Raman peaks at 1,001, 1,207 and 1,658 cm‑1 were more intense for nasopharyngeal carcinoma tissue compared to normal tissue, while Raman bands at 848, 936 and 1,446 cm‑1 were stronger in normal nasopharyngeal samples. The PCA‑LDA algorithm together with leave‑one‑out cross validation yields a diagnostic sensitivity of 81% and a specificity of 87%, while the PLS method coupled with subwindow permutation analysis improves the diagnostic sensitivity and specificity to 85 and 88%, respectively. Therefore, Raman spectroscopy combined with PCA‑LDA/PLS demonstrated good potential for improving the clinical diagnosis of nasopharyngeal cancers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».