<p>SERS-based differential diagnosis between multiple solid malignancies: breast, colorectal, lung, ovarian and oral cancer</p>
Notice bibliographique
Résumé
PURPOSE: Surface-enhanced Raman scattering (SERS) spectroscopy on serum and other biofluids for cancer diagnosis represents an emerging field, which has shown promising preliminary results in several types of malignancies. The purpose of this study was to demonstrate that SERS spectroscopy on serum can be employed for the differential diagnosis between five of the leading malignancies, ie, breast, colorectal, lung, ovarian and oral cancer. PATIENTS AND METHODS: Serum samples were acquired from healthy volunteers (n=39) and from patients diagnosed with breast (n=42), colorectal (n=109), lung (n=33), oral (n=17), and ovarian cancer (n=13), comprising n=253 samples in total. SERS spectra were acquired using a 532 nm laser line as excitation source, while the SERS substrates were represented by Ag nanoparticles synthesized by reduction with hydroxylamine. The classification accuracy yielded by SERS was assessed by principal component analysis-linear discriminant analysis (PCA-LDA). RESULTS: The sensitivity and specificity in discriminating between cancer patients and controls was 98% and 91%, respectively. Cancer samples were correctly assigned to their corresponding cancer types with an accuracy of 88% for oral cancer, 86% for colorectal cancer, 80% for ovarian cancer, 76% for breast cancer and 59% for lung cancer. CONCLUSION: SERS on serum represents a promising strategy of diagnosing cancer which can discriminate between cancer patients and controls, as well as between cancer types such as breast, colorectal, lung ovarian and oral cancer.
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 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».