Multispectral 3D DNA Machine Combined with Multimodal Machine Learning for Noninvasive Precise Diagnosis of Bladder Cancer
Notice bibliographique
Résumé
Extracellular vesicle (EV) molecular phenotyping offers enormous opportunities for cancer diagnostics. However, the majority of the associated studies adopted biomarker-based unimodal analysis to achieve cancer diagnosis, which has high false positives and low precision. Herein, we report a multimodal platform for the high-precision diagnosis of bladder cancer (BCa) through a multispectral 3D DNA machine in combination with a multimodal machine learning (ML) algorithm. The DNA machine was constructed using magnetic microparticles (MNPs) functionalized with aptamers that specifically identify the target of interest, i.e., five protein markers on bladder-cancer-derived urinary EVs (uEVs). The aptamers were hybridized with DNA-stabilized silver nanoclusters (DNA/AgNCs) and a G-quadruplex/hemin complex to form a sensing module. Such a DNA machine ensured multispectral detection of protein markers by fluorescence (FL), inductively coupled plasma mass spectrometry (ICP-MS), and UV–vis absorption (Abs). The obtained data sets then underwent uni- or multimodal ML for BCa diagnosis to compare the analytical performance. In this study, urine samples were obtained from our prospective cohort ( n = 45). Our analytical results showed that the 3D DNA machine provided a detection limit of 9.2 × 10 3 particles mL –1 with a linear range of 4 × 10 4 to 5 × 10 7 particles mL –1 for uEVs. Moreover, the multimodal data fusion model exhibited an accuracy of 95.0%, a precision of 93.1%, and a recall rate of 93.2% on average, while those of the three types of unimodal models were no more than 91%. The elevated diagnosis precision by using the present fusion platform offers a perspective approach to diminishing the rate of misdiagnosis and overtreatment of BCa.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».