CN108732121A - 一种基于红外光谱鉴别良性与恶性肿瘤的方法 - Google Patents
一种基于红外光谱鉴别良性与恶性肿瘤的方法 Download PDFInfo
- Publication number
- CN108732121A CN108732121A CN201810913775.6A CN201810913775A CN108732121A CN 108732121 A CN108732121 A CN 108732121A CN 201810913775 A CN201810913775 A CN 201810913775A CN 108732121 A CN108732121 A CN 108732121A
- Authority
- CN
- China
- Prior art keywords
- benign
- slice
- malignant tumour
- spectrum
- tumor tissue
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 201000011510 cancer Diseases 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 19
- 210000004072 lung Anatomy 0.000 claims abstract description 61
- 208000009956 adenocarcinoma Diseases 0.000 claims abstract description 57
- 238000011065 in-situ storage Methods 0.000 claims abstract description 54
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004433 infrared transmission spectrum Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 239000012188 paraffin wax Substances 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 12
- 238000010827 pathological analysis Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 238000003705 background correction Methods 0.000 claims description 2
- 230000003211 malignant effect Effects 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 1
- 208000007500 Pulmonary Sclerosing Hemangioma Diseases 0.000 abstract description 57
- 208000020141 lung sclerosing hemangioma Diseases 0.000 abstract description 57
- 230000001902 propagating effect Effects 0.000 abstract 1
- 238000012795 verification Methods 0.000 description 43
- 210000001519 tissue Anatomy 0.000 description 35
- 238000009826 distribution Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 210000004907 gland Anatomy 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- WZUVPPKBWHMQCE-XJKSGUPXSA-N (+)-haematoxylin Chemical compound C12=CC(O)=C(O)C=C2C[C@]2(O)[C@H]1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-XJKSGUPXSA-N 0.000 description 2
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Natural products C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 241001062009 Indigofera Species 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 230000000505 pernicious effect Effects 0.000 description 2
- 238000002271 resection Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- SJEYSFABYSGQBG-UHFFFAOYSA-M Patent blue Chemical compound [Na+].C1=CC(N(CC)CC)=CC=C1C(C=1C(=CC(=CC=1)S([O-])(=O)=O)S([O-])(=O)=O)=C1C=CC(=[N+](CC)CC)C=C1 SJEYSFABYSGQBG-UHFFFAOYSA-M 0.000 description 1
- 239000000980 acid dye Substances 0.000 description 1
- 239000000981 basic dye Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 208000002458 carcinoid tumor Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于红外光谱鉴别良性与恶性肿瘤的方法,良性肿瘤为硬化性肺泡细胞瘤,恶性肿瘤为肺原位腺癌;先收集良性肿瘤与恶性肿瘤的组织切片,然后以分辨率8cm‑1、扫描次数64次,在4000~1900cm‑1范围内采集切片的红外透射光谱,所得光谱不经预处理或经SGS预处理,选择建模光谱范围的上限值为4000~3960cm‑1、下限值为1960cm‑1,选取前4~9个主成分,采用判别分析法或对向传播人工神经网络建立鉴别良性与恶性肿瘤的模型;再取未知性质的肿瘤组织切片,按相同方法采集光谱并进行光谱数据处理,最后应用所建模型进行预测。本发明能够准确、客观、快速、经济地鉴别良性与恶性肿瘤。
Description
技术领域
本发明涉及肿瘤性质的预测方法,更具体地说,涉及一种基于红外光谱鉴别良性与恶性肿瘤的方法。
背景技术
肿瘤分为良性和恶性两大类。良性肿瘤通常生长缓慢,完整切除后预后良好;而恶性肿瘤通常生长迅速,并容易发生全身转移导致患者死亡。近年来,恶性肿瘤以肺癌的发病率和死亡率增长最快。肺癌中又以肺腺癌占比较大。肺腺癌是一种肺部支气管上皮性恶性肿瘤,由于其癌组织可侵犯血管,且易发生远处转移,预后较差。值得注意的是,临床显示肺腺癌患者早期确诊后及时手术切除,可大大提高生存率。肺原位腺癌是肺腺癌的早期阶段即浸润前病变,局限于支气管黏膜层,尚无区域淋巴结转移和远处转移,患者手术完整切除癌变组织后的5年生存率达到100%。因此,准确识别出肺原位腺癌具有非常重要的临床意义。
病理学诊断是目前鉴别良性肿瘤与恶性肿瘤的经典方法。但是,肺原位腺癌的病理诊断困难,其显微镜下的形态与一种良性肺肿瘤——硬化性肺泡细胞瘤极为相似。硬化性肺泡细胞瘤虽为良性肿瘤,但在显微镜下具有一些恶性肿瘤的形态特征,如细胞核可有轻度到明显的异形性,因此极易被混淆而误诊为肺原位腺癌,而两者的治疗方案和预后都不相同。
因此,临床诊断急需一个基于测量数据的准确、客观、快速、经济的鉴别肺原位腺癌与硬化性肺泡细胞瘤的方法。
发明内容
本发明的目的在于克服现有技术存在的不足,提供一种基于红外光谱的准确、客观、快速、经济的鉴别良性肿瘤与恶性肿瘤的方法。
经研究,本发明的技术方案如下:
一种基于红外光谱鉴别良性与恶性肿瘤的方法,所述良性肿瘤为硬化性肺泡细胞瘤,恶性肿瘤为肺原位腺癌,包括以下步骤:
(1)收集来自不同患者的良性与恶性肿瘤组织切片,记录切片的病理学诊断结果;
(2)设置光谱测量参数:分辨率8cm-1、扫描次数不低于64次、扫描范围4000~1900cm-1,测量步骤(1)所得每片切片的红外透射光谱,每次扫描切片前以相同参数扫描并扣除背景,每片切片分别在2个或2个以上不同位置各测量一张光谱;
(3)对步骤(2)所得光谱,不经预处理或经Savitzky-Golay平滑即SGS预处理,选择建模光谱范围的波数上限值为3980±20cm-1即4000~3960cm-1、下限值为1960cm-1,采用主成分分析法即PCA降维,按照贡献率由高到低的顺序选取前4~9个主成分为建模特征变量,采用判别分析法即DA或对向传播人工神经网络即CP-ANN建立鉴别良性与恶性肿瘤的模型;
(4)取未知性质的肿瘤组织切片,按照步骤(2)所述方法测量红外光谱,按照步骤(3)所述方法进行光谱数据处理,然后应用步骤(3)所建模型预测该肿瘤组织切片为良性或恶性。
步骤(1)中所述肿瘤组织切片为未染色切片或/和苏木素-伊红即HE染色切片。因为以上两者都是病理学诊断常使用的组织切片。
本发明对未染色切片和HE染色切片进行了分别建模及组合建模,结果表明,所建立的三个模型均能够准确预测硬化性肺泡细胞瘤与肺原位腺癌。
优选的,步骤(1)中所述肿瘤组织切片为未染色石蜡切片与HE染色切片的组合,步骤(3)中选取前9个主成分为建模特征变量。
优选的,步骤(1)中所述肿瘤组织切片为未染色石蜡切片,步骤(3)中选取前4个主成分为建模特征变量。
优选的,步骤(1)中所述肿瘤组织切片为HE染色切片,步骤(3)中选取前6个主成分为建模特征变量。
步骤(2)中所述分辨率、扫描次数和扫描范围均经过了优选。只有采用适合于检测人体硬化性肺泡细胞瘤和肺原位腺癌的红外光谱测量参数,才能获得这些肿瘤组织切片的表征性能强的红外光谱,从而为建立预测性能优良的硬化性肺泡细胞瘤与肺原位腺癌的定性模型提供高质量的数据。
高的分辨率可以获得更多的数据,但同时也伴随着噪音的增加。为了确定最佳的分辨率,本发明固定扫描次数为32次,分别以分辨率为2cm-1、4cm-1、8cm-1、16cm-1、32cm-1对同一切片平行测量6次,综合方差大小及方差光谱的平滑程度得出分辨率为8cm-1和16cm-1时光谱最佳,但由于16cm-1的分辨率较低,切片信息数据较少,因此,步骤(2)中,光谱测量的分辨率优选为8cm-1。增加扫描次数可使光谱更准确,但光谱的采集时间会相应增加。为了确定最佳的扫描次数,本发明固定分辨率为8cm-1,分别以扫描次数为16、32、64、128次对同一切片平行测量6次,结果发现,扫描次数为16次和32次时光谱方差较大,扫描次数为64次和128次时方差光谱无明显差异,而扫描次数越多,所耗时间越长,因此,步骤(2)中,光谱测量的扫描次数优选为不低于64次。由于空白载玻片或空白载玻片与盖玻片一般在红外光谱中低于1900cm-1的区域会出现非常强的吸收甚至全吸收,不利于光谱分析和准确预测,而且为了缩短光谱测量时间,本发明对扫描范围进行了筛选,从红外光谱范围4000~400cm-1内选择了待测肿瘤组织特征信息区域4000~1900cm-1作为步骤(2)的扫描范围。
步骤(2)中是在每片组织切片的2个或2个以上不同位置各测量一张光谱,每张光谱均用于建模,以最大限度地利用组织切片中的特征信息,尽可能灵敏、准确地进行鉴别。
步骤(2)中测量切片的光谱时,优选将良性肿瘤组织切片与恶性肿瘤组织切片交替测量。采用不同类别样品交替测量的方式可避免因采用相同类别样品顺序测量的方式可能导致的系统误差对所建模型的预测可靠性产生干扰。
步骤(3)中所述光谱预处理方案为优选的适于鉴别硬化性肺泡细胞瘤与肺原位腺癌的预处理方案。从本发明的实施例可以看出,在建立鉴别硬化性肺泡细胞瘤与肺原位腺癌的模型时,使用不同的光谱预处理方案,所建模型的性能存在明显差异。
本发明通过优化建模光谱范围和建模特征变量提取切片中硬化性肺泡细胞瘤和肺原位腺癌的特征信息以提高预测模型的特异性。步骤(3)中所述建模光谱范围和建模特征变量均经过优选。基于优选的建模光谱范围和建模特征变量所建立的鉴别硬化性肺泡细胞瘤与肺原位腺癌的线性DA模型和非线性CP-ANN模型均可实现准确鉴别。也就是说,所建DA模型和CP-ANN模型均具有优良的预测性能,彼此相互印证了本发明所选择的光谱预处理方案、建模光谱范围和建模特征变量共同作用使样品的特征信息得到有效提取和利用。
本发明的有益效果在于:本发明基于肿瘤组织切片的红外透射光谱,结合化学计量学技术,鉴别良性肿瘤(硬化性肺泡细胞瘤)与恶性肿瘤(肺原位腺癌),具有准确、客观、快速、经济等优点,尤其是本发明方法能够与病理学诊断共同无损使用相同的组织切片,不需要增加组织样品的取用量即可通过同时采用两种方法进行鉴别以提高诊断的准确性。再者,本发明方法的预测准确性不受肿瘤组织切片染色与否的影响。对于病理学诊断,使用经过繁复程序制作的HE染色切片更有利于诊断,因为苏木素为碱性染料,主要使细胞核着蓝色,伊红为酸性染料,主要使细胞浆着红色,苏木素与伊红在组织切片上共同形成的红蓝对比、深浅程度使组织切片中不同结构和成分之间的差异得以凸显,在光学显微镜下能够被更清晰地分辨。本发明方法虽然克服了染色剂自身吸收对光谱的干扰,能对染色切片进行准确预测,但本发明方法直接使用未染色石蜡切片时,可简化有利于病理诊断的繁复的染色程序,节约时间,降低成本。
附图说明
图1为实施例1中鉴别硬化性肺泡细胞瘤与肺原位腺癌的最优DA模型的分布图:大写字母A和B分别代表硬化性肺泡细胞瘤和肺原位腺癌的校正集切片,小写字母a和b分别代表硬化性肺泡细胞瘤和肺原位腺癌的验证集切片。
图2为实施例1中鉴别硬化性肺泡细胞瘤与肺原位腺癌的最优CP-ANN模型的分布图:灰色区域代表硬化性肺泡细胞瘤,白色区域代表肺原位腺癌;大写字母A和B分别代表硬化性肺泡细胞瘤和肺原位腺癌的校正集切片,小写字母a和b分别代表硬化性肺泡细胞瘤和肺原位腺癌的验证集切片。
图3为实施例2中鉴别硬化性肺泡细胞瘤与肺原位腺癌的最优DA模型的分布图:大写字母A和B分别代表硬化性肺泡细胞瘤和肺原位腺癌的校正集切片,小写字母a和b分别代表硬化性肺泡细胞瘤和肺原位腺癌的验证集切片。
图4为实施例2中鉴别硬化性肺泡细胞瘤与肺原位腺癌的最优CP-ANN模型的分布图:灰色区域代表硬化性肺泡细胞瘤,白色区域代表肺原位腺癌;大写字母A和B分别代表硬化性肺泡细胞瘤和肺原位腺癌的校正集切片,小写字母a和b分别代表硬化性肺泡细胞瘤和肺原位腺癌的验证集切片。
图5为实施例3中鉴别硬化性肺泡细胞瘤与肺原位腺癌的最优DA模型的分布图:大写字母A和B分别代表硬化性肺泡细胞瘤和肺原位腺癌的校正集切片,小写字母a和b分别代表硬化性肺泡细胞瘤和肺原位腺癌的验证集切片。
图6为实施例3中鉴别硬化性肺泡细胞瘤与肺原位腺癌的最优CP-ANN模型的分布图:灰色区域代表硬化性肺泡细胞瘤,白色区域代表肺原位腺癌;大写字母A和B分别代表硬化性肺泡细胞瘤和肺原位腺癌的校正集切片,小写字母a和b分别代表硬化性肺泡细胞瘤和肺原位腺癌的验证集切片。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的优选实施例进行详细的描述。
优选实施例中使用的红外光谱仪为Nicolet iS50FT-IR光谱仪(Thermo FisherScientific)。
实施例1 一种基于红外光谱鉴别良性与恶性肿瘤的方法(包括未染色石蜡切片和HE染色切片)
1.样品的收集
收集来自医院1和2不同患者共100片肿瘤组织切片。其中,50片硬化性肺泡细胞瘤组织切片包括25片未染色石蜡切片和25片HE染色切片,50片肺原位腺癌组织切片包括25片未染色石蜡切片和25片HE染色切片。
2.光谱的测量
将红外光谱仪预热2小时后,设置光谱测量参数:分辨率8cm-1、扫描次数64次、扫描范围4000~1900cm-1,测量每片切片的红外透射光谱,每次扫描切片前以相同参数扫描并扣除背景,每片切片分别在3个不同位置各测量一张光谱,硬化性肺泡细胞瘤组织切片与肺原位腺癌组织切片交替测量。
3.光谱特征变量的提取与建模
(1)光谱预处理方案的选择
为了使所建模型具有优良的预测性能,对包括未处理即NP、多元散射校正即MSC、标准正则变换即SNV、一阶导数即FD、二阶导数即SD、SGS、Norris平滑即NDS的多种光谱预处理技术进行了筛选与组合,见表1和表2。结果表明,所得光谱不经预处理或经SGS预处理时,模型的预测性能最优,例如表1中的模型1;表2中的模型1。
(2)建模光谱范围的选择
采用前述优选的光谱预处理方案,根据组织切片的红外特征吸收,在软件自动筛选的基础上,人工优化建模光谱范围的波数上限值为3980±20cm-1即4000~3960cm-1、下限值为1960cm-1,此时模型的校正集正判率和验证集正判率均可达100.0%,例如表1中的模型1;表2中的模型1。
(3)光谱数据的降维与主成分的选择
采用主成分分析法对所选建模光谱范围的数据降维,按照贡献率由高到低的顺序选取前9个主成分作为建模特征变量时,模型的校正集正判率和验证集正判率均可达100.0%,例如表1中的模型1;表2中的模型1。
(4)模型的建立与验证
DA模型的建立与验证:从50片硬化性肺泡细胞瘤组织切片和50片肺原位腺癌组织切片中分别取14片组织切片(7片未染色石蜡切片和7片染色切片)共28片组织切片作为验证集切片,其余为校正集切片。使用校正集与验证集光谱数据的主成分得分建立与验证鉴别硬化性肺泡细胞瘤与肺原位腺癌的DA模型。由表1可见,模型1的校正集正判率为100.0%、验证集正判率为100.0%,说明该模型具有优良的鉴别性能,能够准确鉴别硬化性肺泡细胞瘤与肺原位腺癌。最优DA模型(表1模型1)的分布图如图1所示。
CP-ANN模型的建立与验证:从50片硬化肺泡细胞瘤组织切片和50片肺原位腺癌组织切片中分别取14片组织切片(7片未染色石蜡切片和7片染色切片)共28片组织切片作为验证集切片,其余为校正集切片。使用校正集与验证集光谱数据的主成分得分建立与验证鉴别硬化性肺泡细胞瘤和肺原位腺癌的CP-ANN模型。由表2可见,模型1的校正集正判率为100.0%、交叉验证正判率为98.0%、验证集正判率为100.0%,说明该模型具有优良的鉴别性能,能够准确鉴别硬化性肺泡细胞瘤与肺原位腺癌。最优CP-ANN模型(表2模型1)的分布图如图2所示。
4.未知样品的预测
各取1片未染色和HE染色的未知性质的肿瘤组织切片,按照前述相同方法采集光谱并进行光谱数据处理,然后分别应用所建DA模型和CP-ANN模型进行预测。DA模型和CP-ANN模型的预测结果显示:未染色和HE染色的未知组织切片均为硬化性肺泡细胞瘤。说明所建方法中的2类预测模型能够相互印证。将这2片组织切片进行病理学诊断,结果与本发明所建方法的预测结果一致。说明本发明所建方法能够对硬化性肺泡细胞瘤与肺原位腺癌进行准确鉴别。
表1 实施例1中DA模型的主要建模参数及其性能
表2 实施例1中CP-ANN模型的主要建模参数及其性能
实施例2 一种基于红外光谱鉴别良性与恶性肿瘤的方法(仅包括未染色石蜡切片)
1.样品的收集
本实施例所用肿瘤组织切片为实施例1中收集的未染色石蜡切片。
2.光谱的测量
同实施例1。
3.光谱特征变量的提取与建模
(1)光谱的预处理方案的选择
为了使所建模型具有优良的预测性能,对包括NP、MSC、SNV、FD、SD、SGS、NDS的多种光谱预处理技术进行了筛选与组合,见表3和表4。结果表明,所得光谱经NP或SGS预处理时,模型的预测性能最优,例如表3中的模型1;表4中的模型1。
(2)建模光谱范围的选择
采用前述优选的光谱预处理方案,根据组织切片的红外特征吸收,在软件自动筛选的基础上,人工优化建模光谱范围的波数上限值为3980±20cm-1即4000~3960cm-1、下限值为1960cm-1,此时模型的校正集正判率和验证集正判率均可达100.0%,例如表3中的模型1;表4中的模型1。
(3)光谱数据的降维与主成分的选择
采用主成分分析法对所选建模光谱范围的数据降维,按照贡献率由高到低的顺序选取前4个主成分作为建模特征变量时,模型的校正集正判率和验证集正判率均可达100.0%,例如表3中的模型1;表4中的模型1。
(4)模型的建立与验证
DA模型的建立与验证:从25片硬化性肺泡细胞瘤组织石蜡切片和25片肺原位腺癌组织石蜡切片中分别取7片组织石蜡切片共14片组织石蜡切片作为验证集切片,其余为校正集切片。使用校正集与验证集光谱数据的主成分得分建立与验证鉴别硬化性肺泡细胞瘤与肺原位腺癌的DA模型。由表3可见,模型1的校正集正判率为100.0%、验证集正判率为100.0%,说明该模型具有优良的鉴别性能,能够准确鉴别硬化性肺泡细胞瘤与肺原位腺癌。最优DA模型(表3模型1)的分布图如图3所示。
CP-ANN模型的建立与验证:从25片硬化性肺泡细胞瘤组织石蜡切片和25片肺原位腺癌组织石蜡切片中分别取7片组织石蜡切片共14片组织石蜡切片作为验证集切片,其余为校正集切片。使用校正集与验证集光谱数据的主成分得分建立与验证鉴别硬化性肺泡细胞瘤和肺原位腺癌的CP-ANN模型。由表4可见,模型1的校正集正判率为100.0%、交叉验证正判率为100.0%、验证集正判率为100.0%,说明该模型具有优良的鉴别性能,能够准确鉴别硬化性肺泡细胞瘤与肺原位腺癌。最优CP-ANN模型(表4模型1)的分布图如图4所示。
4.未知样品的预测
取1片未染色的未知性质的肿瘤组织石蜡切片,按照前述相同方法采集光谱并进行光谱数据处理,然后分别应用所建DA模型和CP-ANN模型进行预测。DA模型和CP-ANN模型的预测结果显示:该未知组织石蜡切片为硬化性肺泡细胞瘤。说明所建方法中的2类预测模型能够相互印证。将该组织石蜡切片进行病理学诊断,结果与本发明所建方法的预测结果一致。说明本发明所建方法能够对硬化性肺泡细胞瘤和肺原位腺癌进行准确鉴别。
表3 实施例2中DA模型的主要建模参数及其性能
表4 实施例2中CP-ANN模型的主要建模参数及其性能
实施例3 一种基于红外光谱鉴别良性与恶性肿瘤的方法(仅包括HE染色切片)
1.样品的收集
本实施例所用肿瘤组织切片为实施例1中收集的HE染色切片。
2.光谱的测量
同实施例1。
3.光谱特征变量的提取与建模
(1)光谱预处理方案的选择
为了使所建模型具有优良的预测性能,对包括NP、MSC、SNV、FD、SD、SGS、NDS的多种光谱预处理技术进行了筛选与组合,见表5和表6。结果表明,所得光谱经NP或SGS预处理时,模型的预测性能最优,例如表5中的模型1;表6中的模型1。
(2)建模光谱范围的选择
采用前述优选的光谱预处理方案,根据组织切片的红外特征吸收,在软件自动筛选的基础上,人工优化建模光谱范围的波数上限值为3980±20cm-1即4000~3960cm-1、下限值为1960cm-1,此时模型的校正集正判率和验证集正判率均可达100.0%,例如表5中的模型1;表6中的模型1。
(3)光谱数据的降维与主成分的选择
采用主成分分析法对所选建模光谱范围的数据降维,按照贡献率由高到低的顺序选取前6个主成分作为建模特征变量时,模型的校正集正判率和验证集正判率均可达100.0%,例如表5中的模型1;表6中的模型1。
(4)模型的建立与验证
DA模型的建立与验证:从25片硬化性肺泡细胞瘤组织切片和25片肺原位腺癌组织切片中分别取7片组织切片共14片组织切片作为验证集切片,其余为校正集切片。使用校正集与验证集光谱数据的主成分得分建立与验证鉴别硬化性肺泡细胞瘤与肺原位腺癌的DA模型。由表5可见,模型1的校正集正判率为100.0%、验证集正判率为100.0%,说明该模型具有优良的鉴别性能,能够准确鉴别硬化性肺泡细胞瘤与肺原位腺癌。最优DA模型(表5模型1)的分布图如图5所示。
CP-ANN模型的建立与验证:从25片硬化性肺泡细胞瘤组织切片和25片肺原位腺癌组织切片中分别取7片组织切片共14片组织切片作为验证集切片,其余为校正集切片。使用校正集与验证集光谱数据的主成分得分建立与验证鉴别硬化性肺泡细胞瘤和肺原位腺癌的CP-ANN模型。由表6可见,模型1的校正集正判率为100.0%、交叉验证正判率为96.0%、验证集正判率为100.0%,说明该模型具有优良的鉴别性能,能够准确鉴别硬化性肺泡细胞瘤与肺原位腺癌。最优CP-ANN模型(表6模型1)的分布图如图6所示。
4.未知样品的预测
取1片HE染色的未知性质的肿瘤组织切片,按照前述相同方法采集光谱并进行光谱数据处理,然后分别应用所建DA模型和CP-ANN模型进行预测。DA模型和CP-ANN模型预测结果显示:该未知组织切片为硬化性肺泡细胞瘤。说明所建方法中的2类预测模型能够相互印证。将该组织切片进行病理学诊断,结果与本发明所建方法的预测结果一致,说明本发明所建方法能够对硬化性肺泡细胞瘤和肺原位腺癌进行准确鉴别。
表5 实施例3中DA模型的主要建模参数及其性能
表6 实施例3中CP-ANN模型的主要建模参数及其性能
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的保护范围。
Claims (6)
1.一种基于红外光谱鉴别良性与恶性肿瘤的方法,所述良性肿瘤为硬化性肺泡细胞瘤,恶性肿瘤为肺原位腺癌,其特征在于,包括以下步骤:
(1)收集来自不同患者的良性与恶性肿瘤组织切片,记录切片的病理学诊断结果;
(2)设置光谱测量参数:分辨率8cm-1、扫描次数不低于64次、扫描范围4000~1900cm-1,测量步骤(1)所得每片切片的红外透射光谱,每次扫描切片前以相同参数扫描并扣除背景,每片切片分别在2个或2个以上不同位置各测量一张光谱;
(3)对步骤(2)所得光谱,不经预处理或经Savitzky-Golay平滑即SGS预处理,选择建模光谱范围的波数上限值为3980±20cm-1即4000~3960cm-1、下限值为1960cm-1,采用主成分分析法即PCA降维,按照贡献率由高到低的顺序选取前4~9个主成分为建模特征变量,采用判别分析法即DA或对向传播人工神经网络即CP-ANN建立鉴别良性与恶性肿瘤的模型;
(4)取未知性质的肿瘤组织切片,按照步骤(2)所述方法测量红外光谱,按照步骤(3)所述方法进行光谱数据处理,然后应用步骤(3)所建模型预测该肿瘤组织切片为良性或恶性。
2.根据权利要求1所述的一种基于红外光谱鉴别良性与恶性肿瘤的方法,其特征在于:步骤(1)中所述肿瘤组织切片为未染色切片或/和苏木素-伊红即HE染色切片。
3.根据权利要求2所述的一种基于红外光谱鉴别良性与恶性肿瘤的方法,其特征在于:步骤(1)中所述肿瘤组织切片为未染色石蜡切片与HE染色切片的组合,步骤(3)中选取前9个主成分为建模特征变量。
4.根据权利要求2所述的一种基于红外光谱鉴别良性与恶性肿瘤的方法,其特征在于:步骤(1)中所述肿瘤组织切片为未染色石蜡切片,步骤(3)中选取前4个主成分为建模特征变量。
5.根据权利要求2所述的一种基于红外光谱鉴别良性与恶性肿瘤的方法,其特征在于:步骤(1)中所述肿瘤组织切片为HE染色切片,步骤(3)中选取前6个主成分为建模特征变量。
6.根据权利要求1所述的一种基于红外光谱鉴别良性与恶性肿瘤的方法,其特征在于:步骤(2)中测量切片的光谱时,良性肿瘤组织切片与恶性肿瘤组织切片交替测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810913775.6A CN108732121B (zh) | 2018-08-01 | 2018-08-01 | 一种基于红外光谱鉴别良性与恶性肿瘤的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810913775.6A CN108732121B (zh) | 2018-08-01 | 2018-08-01 | 一种基于红外光谱鉴别良性与恶性肿瘤的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108732121A true CN108732121A (zh) | 2018-11-02 |
CN108732121B CN108732121B (zh) | 2022-03-15 |
Family
ID=63942849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810913775.6A Active CN108732121B (zh) | 2018-08-01 | 2018-08-01 | 一种基于红外光谱鉴别良性与恶性肿瘤的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108732121B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490239A (zh) * | 2018-12-27 | 2019-03-19 | 重庆医科大学 | 一种载玻片制样专用红外透反射光谱测量附件 |
CN109580527A (zh) * | 2019-01-18 | 2019-04-05 | 重庆医科大学 | 一种基于组织切片鉴别abo血型的红外光谱分析方法 |
CN109580526A (zh) * | 2019-01-18 | 2019-04-05 | 重庆医科大学 | 一种基于组织切片鉴别人体性别的红外光谱分析方法 |
CN110763652A (zh) * | 2019-04-12 | 2020-02-07 | 重庆医科大学 | 一种检测braf v600e突变的近红外光谱方法 |
CN112420204A (zh) * | 2020-11-03 | 2021-02-26 | 重庆医科大学 | 乳腺癌筛查方案推荐系统及推荐方法 |
-
2018
- 2018-08-01 CN CN201810913775.6A patent/CN108732121B/zh active Active
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490239A (zh) * | 2018-12-27 | 2019-03-19 | 重庆医科大学 | 一种载玻片制样专用红外透反射光谱测量附件 |
CN109490239B (zh) * | 2018-12-27 | 2024-02-02 | 重庆医科大学 | 一种载玻片制样专用红外透反射光谱测量附件 |
CN109580527A (zh) * | 2019-01-18 | 2019-04-05 | 重庆医科大学 | 一种基于组织切片鉴别abo血型的红外光谱分析方法 |
CN109580526A (zh) * | 2019-01-18 | 2019-04-05 | 重庆医科大学 | 一种基于组织切片鉴别人体性别的红外光谱分析方法 |
CN110763652A (zh) * | 2019-04-12 | 2020-02-07 | 重庆医科大学 | 一种检测braf v600e突变的近红外光谱方法 |
CN110763652B (zh) * | 2019-04-12 | 2022-11-04 | 重庆医科大学 | 一种检测braf v600e突变的近红外光谱方法 |
CN112420204A (zh) * | 2020-11-03 | 2021-02-26 | 重庆医科大学 | 乳腺癌筛查方案推荐系统及推荐方法 |
CN112420204B (zh) * | 2020-11-03 | 2023-10-20 | 重庆医科大学 | 乳腺癌筛查方案推荐系统及推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108732121B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108732121A (zh) | 一种基于红外光谱鉴别良性与恶性肿瘤的方法 | |
JP6333326B2 (ja) | スペクトルイメージングによる生体試料の分析方法 | |
Bird et al. | Infrared spectral histopathology (SHP): a novel diagnostic tool for the accurate classification of lung cancer | |
Pilling et al. | Infrared spectral histopathology using haematoxylin and eosin (H&E) stained glass slides: a major step forward towards clinical translation | |
Baker et al. | Investigating FTIR based histopathology for the diagnosis of prostate cancer | |
Bird et al. | Infrared micro-spectral imaging: distinction of tissue types in axillary lymph node histology | |
Walsh et al. | Label-free biomedical imaging with mid-IR spectroscopy | |
Papamarkakis et al. | Cytopathology by optical methods: spectral cytopathology of the oral mucosa | |
Sebiskveradze et al. | Automation of an algorithm based on fuzzy clustering for analyzing tumoral heterogeneity in human skin carcinoma tissue sections | |
CN110391015A (zh) | 一种基于影像组学量化肿瘤免疫状态的方法 | |
JP2016514869A (ja) | スペクトル画像による生物試料の分析方法およびシステム | |
Diem et al. | Infrared micro-spectroscopy of human tissue: principles and future promises | |
Petter et al. | Development and application of Fourier-transform infrared chemical imaging of tumour in human tissue | |
CN109580527A (zh) | 一种基于组织切片鉴别abo血型的红外光谱分析方法 | |
Du et al. | Breast cancer early detection by using Fourier-transform infrared spectroscopy combined with different classification algorithms | |
Ferguson et al. | Infrared micro-spectroscopy coupled with multivariate and machine learning techniques for cancer classification in tissue: a comparison of classification method, performance, and pre-processing technique | |
CN114923893A (zh) | 一种无损免标记快速乳腺癌拉曼光谱病理分级分期方法 | |
Chang et al. | Deep learning methods for oral cancer detection using Raman spectroscopy | |
CN107303174A (zh) | 一种互联网+光谱肿瘤临床医学诊断方法 | |
Tosi et al. | FTIR microspectroscopy of melanocytic skin lesions: a preliminary study | |
Diem et al. | Spectral histopathology of the lung: a review of two large studies | |
US10531862B2 (en) | System and method for attaching a biopsy collecting device to a spectroscopy system | |
CN106198423A (zh) | 一种基于可见‑近红外光谱分析技术鉴别火腿肠等级的方法 | |
EP3773160B1 (en) | Methods of spectroscopic analysis | |
CN111398250A (zh) | 一种基于光与物质相互作用所产生的分子碎片谱的肿瘤诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |