Combining high wavenumber and fingerprint Raman spectroscopy for the detection of prostate cancer during radical prostatectomy
Notice bibliographique
Résumé
For prostate cancer (PCa) patients, radical prostatectomy (complete removal of the prostate) is the only curative surgical option. To date, there is no clinical technique allowing for real-time assessment of surgical margins to minimize the extent of residual cancer. Here, we present a tissue interrogation technique using a dual excitation wavelength Raman spectroscopy system capable of sequentially acquiring fingerprint (FP) and high wavenumber (HWN) Raman spectra. Results demonstrate the ability of the system to detect PCa in post-prostatectomy specimens. In total, 477 Raman spectra were collected from 18 human prostate slices. Each area measured with Raman spectroscopy was characterized as either normal or cancer based on histopathological analyses, and each spectrum was classified based on supervised learning using support vector machines (SVMs). Based on receiver operating characteristic (ROC) analysis, FP (area under the curve [AUC] = 0.89) had slightly superior cancer detection capabilities compared with HWN (AUC = 0.86). Optimal performance resulted from combining the spectral information from FP and HWN (AUC = 0.91), suggesting that the use of these two spectral regions may provide complementary molecular information for PCa detection. The use of leave-one-(spectrum)-out (LOO) or leave-one-patient-out (LOPO) cross-validation produced similar classification results when combining FP with HWN. Our findings suggest that the application of machine learning using multiple data points from the same patient does not result in biases necessarily impacting the reliability of the classification models.
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) | 0,000 | 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 | 0,000 | 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 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 ».