近红外光谱光纤探头的创新设计用于骨关节炎的原位检测

创新设计了一款操作灵活、方便、适于生物医学原位检测的反射式近红外(NIR)光纤探头,通过将自聚焦透镜耦合到NIR光纤探头的顶端,并对探头结构、光纤排布进行全新设计,使光纤探头具有更高的测量精度和收集效率。通过耦合傅里叶变换近红外光谱仪对蔗糖样本进行NIR光谱采集,发现该反射式NIR光纤探头具有高效便捷的特点以及较高的光谱重复性和信噪比。采用该光纤探头对犬膝关节股骨端关节软骨进行NIR光谱离体原位检测,这些光谱数据经一阶导数2次多项式21点Savitzky-Golay平滑预处理后再进行主成分分析和Fisher判别分析。模型初始案例和交互验证案例正确识别率分别为97.62%、90.47%,样本预测集的识别率达96.43%,证明了采用该NIR光纤探头进行NIR光谱原位检测的有效性及骨关节炎识别的可行性,可为骨关节炎的临床诊断奠定实验基础。

基于近红外光谱技术和机器学习的乳腺癌原位诊断研究

近红外(NIR)光谱,可提供样本丰富的结构和成分信息。机器学习主要用于数据的分析和挖掘,可以对数据进行精确分类和信息提取。本研究采用自研的NIR光谱探针技术进行乳腺癌组织的原位光谱采集并进行癌变(光谱)分析;运用基线校正(BC)、标准正态变量变换(SNV)、一阶导数二阶多项式21点Savitzky-Golay平滑(1^(st)-2-21SG)和二阶导数三次多项式25点Savitzky-Golay平滑(2^(nd)-3-25SG))四种方法进行光谱预处理;结合机器学习方法,包括主成分分析(PCA)、K最近邻(KNN)、Fisher判别分析(FDA)及支持向量回归(SVR),进行乳腺癌变和癌旁组织的分类和判别。研究发现PCA-KNN模型的最优预测结果为基于BC+SNV,其准确率、敏感性及特异性达88.34%、98.21%、76.11%。PCA-FDA模型的最优结果为基于BC+1^(st)-2-21SG,其准确率、敏感性及特异性达90.00%、98.21%、79.54%。SVR模型的最优结果为基于BC+2^(nd)-3-25SG,其准确率、敏感性及特异性达90.00%、100.00%、79.55%。论证了机器学习方法结合NIR光谱可以实现小样本量乳腺癌的高效精确诊断。

基于偏振和明场多模态显微成像技术的乳腺癌智能诊断研究

近年来,乳腺癌已成为威胁女性健康的头号恶性肿瘤,对其实现快速精准的筛查和诊断变得尤为重要。针对现有临床病理学检查需要染色突显细胞形态并依赖医生主观经验判断的局限性,立足于明场显微成像和偏振显微成像构建多模态显微成像技术,获取正常与癌变乳腺组织未染色冰冻切片的形态结构及其异质性信息并对之进行分析和诊断研究。首先对正常与癌变组织切片进行多角度正交偏振成像、明场显微成像并分析图像差异性;然后实施像素级图像融合;接着利用卷积神经网络模型,对多模态融合图像进行深度学习的特征提取与分类,有效提升准确率(0.8727)和受试者特征曲线下面积(AUC,0.9400)等参数,进而实现精准的乳腺癌智能诊断。该技术有助于医生进行快速准确的临床诊断,为实施乳腺癌术中快检以辅助精准手术治疗提供有效的技术手段,具有突出的临床潜力和应用前景。