Subsecond lung cancer detection within a heterogeneous background of normal and benign tissue using single-point Raman spectroscopy
Notice bibliographique
Résumé
Significance: Lung cancer is the most frequently diagnosed cancer overall and the deadliest cancer in North America. Early diagnosis through current bronchoscopy techniques is limited by poor diagnostic yield and low specificity, especially for lesions located in peripheral pulmonary locations. Even with the emergence of robotic-assisted platforms, bronchoscopy diagnostic yields remain below 80%. Aim: ) Raman spectroscopy coupled with machine learning could detect lung cancer within an otherwise heterogenous background composed of normal tissue and tissue associated with benign conditions, including emphysema and bronchiolitis. Approach: A Raman spectroscopy probe was used to measure the spectral fingerprint of normal, benign, and cancer lung tissue in 10 patients. Each interrogated specimen was characterized by histology to determine cancer type, i.e., small cell carcinoma or non-small cell carcinoma (adenocarcinoma and squamous cell carcinoma). Biomolecular information was extracted from the fingerprint spectra to identify biomolecular features that can be used for cancer detection. Results: Supervised machine learning models were trained using leave-one-patient-out cross-validation, showing lung cancer could be detected with a sensitivity of 94% and a specificity of 80%. Conclusions: This proof of concept demonstrates fingerprint Raman spectroscopy is a promising tool for the detection of lung cancer during diagnostic procedures and can capture biomolecular changes associated with the presence of cancer among a complex heterogeneous background within less than 1 s.
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) | 0,001 | 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 | 0,001 | 0,002 |
| 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 ».