In situ Raman spectroscopy and machine learning unveil biomolecular alterations in invasive breast cancer
Notice bibliographique
Résumé
SignificanceAs many as 60% of patients with early stage breast cancer undergo breast-conserving surgery. Of those, 20% to 35% need a second surgery because of incomplete resection of the lesions. A technology allowing in situ detection of cancer could reduce re-excision procedure rates and improve patient survival.AimRaman spectroscopy was used to measure the spectral fingerprint of normal breast and cancer tissue ex-vivo. The aim was to build a machine learning model and to identify the biomolecular bands that allow one to detect invasive breast cancer.ApproachThe system was used to interrogate specimens from 20 patients undergoing lumpectomy, mastectomy, or breast reduction surgery. This resulted in 238 ex-vivo measurements spatially registered with standard histology classifying tissue as cancer, normal, or fat. A technique based on support vector machines led to the development of predictive models, and their performance was quantified using a receiver-operating-characteristic analysis.ResultsRaman spectroscopy combined with machine learning detected normal breast from ductal or lobular invasive cancer with a sensitivity of 93% and a specificity of 95%. This was achieved using a model based on only two spectral bands, including the peaks associated with C–C stretching of proteins around 940 cm − 1 and the symmetric ring breathing at 1004 cm − 1 associated with phenylalanine.ConclusionsDetection of cancer on the margins of surgically resected breast specimen is feasible with Raman spectroscopy.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».