论文部分内容阅读
非霍奇金淋巴瘤(non-hodgkin lymphoma,NHL)是淋巴系统中最常见的癌症,其快速准确诊断是临床面临的重要难题。表面增强拉曼散射技术(surface-enhanced Raman scattering,SERS)由于其非侵入性、高灵敏性、无标记等优势,结合机器学习算法有望成为癌症鉴别诊断的有力技术手段。目前,尚未见基于血清SERS技术的非霍奇金淋巴瘤诊断的报道,基于此,本文开展了基于血清SERS技术的NHL诊断、分型和分期研究。本文首先介绍了SERS技术在细胞、组织、血清等生物医学样本诊断分析的研究进展,分析了该技术在癌症诊断应用的研究现状,提出了本文的研究内容。其次,介绍了SERS的物理机制,给出了主成分分析(principal component analysis,PCA)、k近邻(k nearest neighbor,k NN)、线性判别分析(linear discriminant analysis,LDA)、支持向量机(support vector machine,SVM)和前馈神经网络(feedforward neural network,FNN)等机器学习方法,以及交叉验证、混淆矩阵等分类模型的评估方法。再次,制备并表征了银纳米SERS增强粒子,优化了探测基底和纳米粒子与血清配比,分析了血清的“咖啡环”效应,利用波长785nm的半导体激光,获得了淋巴瘤患者和健康对照组血清样本的SERS光谱,建立了血清SERS光谱数据库。对比分析了非霍奇金淋巴瘤患者与健康者、弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)亚型与滤泡型非霍奇金淋巴瘤(follicular non-hodgkin’s lymphoma,FNHL)亚型、DLBCL生发中心内与生发中心外亚型、DLBCL不同分期血清样本的SERS光谱,发现上述各组光谱在核酸类、糖类、苯基丙氨酸、多肽蛋白类和脂类等物质拉曼特征峰的强度和谱峰宽度上存在显著区别。最后,利用血清SERS光谱数据,基于k NN、LDA、SVM和FNN建立了NHL的鉴别诊断、分型和分期模型。采用10折交叉验证对模型进行了训练和评估。结果表明,在NHL的诊断和分型应用中,FNN的效果最好,诊断准确率分别为93.1%和85.9%。在NHL分期应用中,k NN的诊断准确率最高,为80.3%。本文的研究成果在NHL的快速准确诊断上具有重要的临床价值。