用户文章丨《Analyst》中山大学肿瘤防治中心团队发表基于拉曼的无创胃肠癌检测新技术

2023年10月9日，中国科学院长春光机所李备研究团队联合中山大学肿瘤防治中心吴其年、赵齐教授团队在《Analyst》期刊上发表了题为“Evaluation of Raman spectroscopy combined with the gated recurrent unit serum detection method in early screening of gastrointestinal cancer”的论文。该研究利用拉曼光谱检测与深度学习联合，成功通过患者血清的拉曼光谱预测了胃肠癌分化分期。核心产品——PRECI SCS-R300拉曼单细胞分选仪有幸为本研究中胃肠癌血清拉曼检测提供了有力工具。

一、研究背景

在全球范围内，胃癌和结直肠癌是两种常见的恶性肿瘤，胃癌晚期的死亡率较高，结直肠癌的转移潜力较高，且预后较差。早期筛查能够极大地提高胃癌患者的生存率和结直肠癌患者预后。传统诊断胃肠道癌症主要依赖于内窥镜检查和活组织检查,存在一定的创伤性和不适用性，因此，我们需要一种实用、快速的血清学检测新技术，用于胃肠道肿瘤的早期筛查。近年来，拉曼光谱技术已成功应用于人体不同部位的恶性肿瘤诊断，包括乳腺癌、脑癌、宫颈癌、胃癌等。在过去的诊断中，通常采用拉曼光谱联合机器学习的方法，但其预测仅限制在区分癌症样本和正常样本，识别胃癌不同阶段的程度。该方法无法识别癌细胞分化的不同程度，并且随着样品量和样品类型的增加，简单的机器学习可能无法满足精准的识别要求。因此，本研究利用拉曼光谱与门控循环装置(GRU)算法，提高了拉曼光谱对于胃肠癌不同阶段，分化不同程度上的识别精度。

二、研究方法

本研究收集了93例胃癌患者、92例结直肠癌患者以及100名健康人的血清样品，采集其拉曼光谱，经过预处理后，采用不同的深度学习方法对拉曼光谱进行分类。统计了4种机器学习方法（SVM、KNN、LDA、GRU），并联合4种机器学习方法与PCR降维分别进行了胃肠癌患者不同亚型、不同分期、不同分化程度的血清拉曼光谱分类。

图1 使用GRU和拉曼光谱识别胃肠道肿瘤和肿瘤亚型的工作流程

三、结果

从医院收集的不同时期、不同分化程度的胃癌与结直肠癌患者的血清拉曼光谱，经过数据预处理后，统计了癌症患者与健康人的特征峰峰位（图2），并根据每个特征峰的峰面积绘制了热图。结果发现，胃肠癌患者在2923 cm^?1位置的拉曼峰强度明显高于健康个体，该位置的C-H峰主要与生物样品中的脂质和蛋白质有关。

图2 胃癌与非肿瘤组（左）、结直肠癌与非肿瘤组（右）的拉曼光谱差异

利用4种分类模型（SVM、KNN、LDA、GRU）对胃肠癌患者的不同分期，不同分化进行了训练分类，其中，在区分胃肠癌患者的不同分期中支持向量机（SVM）和GRU均达到了100%的准确率。GRU进一步展示了其根据分化程度和阶段区分胃癌和结直肠癌亚型的能力，识别准确率超过95%。另外，在于PCA降维分析联合使用的分类模型并未表现出明显优势，说明PCA降维在拉曼光谱的分类中并不是必要的。

四、结论

本研究改进了拉曼肿瘤检测的分类算法，采用了更适合于光谱分类的GRU模型。拉曼光谱技术结合GRU模型可以用于胃肠肿瘤的早期筛查，其对于肿瘤亚型的识别准确率高达95%以上。这项技术为胃肠癌的早期诊断和治疗提供了新的希望。

五、辰英价值

本研究应用了自主研制的PRECI SCS-R300拉曼单细胞分选仪。凭借高灵敏度、高稳定性的生物拉曼光谱检测，PRECI SCS-R300为本研究中胃肠癌细胞的分类研究提供了有力工具。同时，搭载的HOOKE IntP智能分析软件，能够实现如本文所示的机器学习等数据分析，帮助用户深度挖掘图谱信息。

建议收藏丨SIP-Raman技术实验方法指南

2024-04-28

《Frontiers in Bioscience-Landmark》丨基于图像拼接技术的多视场细菌拉曼光谱快速检测和分析

2023-10-31

《COMPUT STRUCT BIOTEC》丨基于拉曼光谱建立胃癌细胞系分类的集成学习模型

2023-01-12

突破未培养微生物研究瓶颈丨微生物多维表型检测与可视化精准分选平台下的表型靶向MiNi宏基因测序

2024-02-27