Raman Spectroscopy in Combination with Background Near‐infrared Autofluorescence Enhances the <i>In Vivo</i> Assessment of Malignant Tissues
Notice bibliographique
Résumé
The diagnostic ability of optical spectroscopy techniques, including near-infrared (NIR) Raman spectroscopy, NIR autofluorescence spectroscopy and the composite Raman and NIR autofluorescence spectroscopy, for in vivo detection of malignant tumors was evaluated in this study. A murine tumor model, in which BALB/c mice were implanted with Meth-A fibrosarcoma cells into the subcutaneous region of the lower back, was used for this purpose. A rapid-acquisition dispersive-type NIR Raman system was employed for tissue Raman and NIR autofluorescence spectroscopic measurements at 785-nm laser excitation. High-quality in vivo NIR Raman spectra associated with an autofluorescence background from mouse skin and tumor tissue were acquired in 5 s. Multivariate statistical techniques, including principal component analysis (PCA) and linear discriminant analysis (LDA), were used to develop diagnostic algorithms for differentiating tumors from normal tissue based on their spectral features. Spectral classification of tumor tissue was tested using a leave-one-out, cross-validation method, and the receiver operating characteristic (ROC) curves were used to further evaluate the performance of diagnostic algorithms derived. Thirty-two in vivo Raman, NIR fluorescence and composite Raman and NIR fluorescence spectra were analyzed (16 normal, 16 tumors). Classification results obtained from cross-validation of the LDA model based on the three spectral data sets showed diagnostic sensitivities of 81.3%, 93.8% and 93.8%; specificities of 100%, 87.5% and 100%; and overall diagnostic accuracies of 90.6%, 90.6% and 96.9% respectively, for tumor identification. ROC curves showed that the most effective diagnostic algorithms were from the composite Raman and NIR autofluorescence techniques.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».