CN117916817A - 基于人工智能且使用外泌体sers信号的多肿瘤同时诊断系统及其方法 - Google Patents
基于人工智能且使用外泌体sers信号的多肿瘤同时诊断系统及其方法 Download PDFInfo
- Publication number
- CN117916817A CN117916817A CN202280008541.1A CN202280008541A CN117916817A CN 117916817 A CN117916817 A CN 117916817A CN 202280008541 A CN202280008541 A CN 202280008541A CN 117916817 A CN117916817 A CN 117916817A
- Authority
- CN
- China
- Prior art keywords
- tumor
- exosome
- sers
- sers signals
- signals
- 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.)
- Pending
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 237
- 210000001808 exosome Anatomy 0.000 title claims abstract description 188
- 238000003745 diagnosis Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 title claims description 3
- 238000000479 surface-enhanced Raman spectrum Methods 0.000 claims abstract description 166
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 238000007635 classification algorithm Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 230000008520 organization Effects 0.000 claims abstract description 3
- 210000001519 tissue Anatomy 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 6
- 238000000338 in vitro Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 15
- 206010006187 Breast cancer Diseases 0.000 description 14
- 208000037841 lung tumor Diseases 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 208000020816 lung neoplasm Diseases 0.000 description 13
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 12
- 206010061968 Gastric neoplasm Diseases 0.000 description 12
- 206010019695 Hepatic neoplasm Diseases 0.000 description 12
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 12
- 208000014018 liver neoplasm Diseases 0.000 description 12
- 201000002528 pancreatic cancer Diseases 0.000 description 12
- 239000010931 gold Substances 0.000 description 9
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 8
- 229910052737 gold Inorganic materials 0.000 description 8
- 239000002105 nanoparticle Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000001069 Raman spectroscopy Methods 0.000 description 5
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011528 liquid biopsy Methods 0.000 description 3
- WYTZZXDRDKSJID-UHFFFAOYSA-N (3-aminopropyl)triethoxysilane Chemical compound CCO[Si](OCC)(OCC)CCCN WYTZZXDRDKSJID-UHFFFAOYSA-N 0.000 description 2
- 102000012406 Carcinoembryonic Antigen Human genes 0.000 description 2
- 108010022366 Carcinoembryonic Antigen Proteins 0.000 description 2
- 102000007066 Prostate-Specific Antigen Human genes 0.000 description 2
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000004090 dissolution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000001542 size-exclusion chromatography Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001376 precipitating effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 239000000107 tumor biomarker Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/49—Blood
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/49—Blood
- G01N33/491—Blood by separating the blood components
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
- G01N33/57484—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites
- G01N33/57488—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites involving compounds identifable in body fluids
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Hematology (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Urology & Nephrology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Ecology (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biotechnology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Hospice & Palliative Care (AREA)
Abstract
本发明涉及一种基于人工智能且使用外泌体SERS信号的多肿瘤同时诊断系统及其方法。根据本发明,基于人工智能且使用外泌体SERS信号的多肿瘤同时诊断系统包括:信号获取单元,其构造为将从测量目标人物获取的外泌体滴在芯片上以从所述芯片获取多个所述外泌体表面增强拉曼光谱(SERS)信号;肿瘤诊断单元,其构造为通过将获取的所述多个外泌体SERS信号输入到训练后的肿瘤分类算法而针对所述多个外泌体SERS信号中的各者获取信号值0或1,并且构造为通过使用所获取的信号值的平均值而诊断肿瘤或正常;和肿瘤信息提供单元,其构造为在诊断为肿瘤时,通过将所述多个外泌体SERS信号输入到多个起源组织(TOO)确定算法而针对所述多个外泌体SERS信号中的各者获取信号值0或1,构造为通过使用所获取的信号值的平均值来预测肿瘤类型,并且构造为提供有关所预测的肿瘤类型的信息。本发明是通过“通过人工智能同时筛查多种肿瘤的体外诊断设备的商业化”开发的技术,即首尔的首尔商业机构的2021年生物/医疗技术商业化支持项目(BT210040)。
Description
技术领域
本发明涉及一种基于人工智能且使用外泌体SERS信号的多肿瘤同时诊断系统及其方法,更具体地,涉及一种在整个外泌体而不是特定标志物上检测SERS信号图并且通过使用检测到的SERS信号图学习的人工智能算法同时诊断多种肿瘤的多肿瘤同时诊断系统和方法。
背景技术
肿瘤仍然是现代人死亡的主要原因,但是早期诊断通过提供适当的治疗改善了肿瘤的治疗效果。通过体外诊断进行早期肿瘤检测是生物医学领域的重要目标之一,并且常规肿瘤管理是可能的。
然而,目前诸如癌胚抗原(CEA)5和前列腺特异性抗原(PSA)6等一些肿瘤生物标志物已用于各种肿瘤的诊断和预后策略,但是在早期肿瘤中很少出现,并且存在许多肿瘤仍然缺乏有效的预筛查工具的问题。
最近,人们打算将含有丰富亲代细胞信息的外泌体用作液体活检的生物标志物,并且通过应用各种生物材料检测技术检测体液中存在的疾病外泌体的信息,进行研究以早期诊断或监测疾病。
通常,人们试图通过使用血液中外泌体的SERS信号来诊断肿瘤,但是这只是对单一肿瘤的诊断,并且可能无法同时诊断多种肿瘤,并且存在一个问题,即由于算法的分类错误而导致作出假阳性诊断。
韩国专利号10-2225231(2021年3月9日公布)中公开了本发明的背景技术。
发明内容
技术问题
根据本发明,提供了一种在整个外泌体而不是预设标志物上检测SERS信号图,并且通过使用检测到的SERS信号图训练的人工智能算法同时诊断多种肿瘤的多肿瘤同时诊断系统及其方法。
技术方案
根据本发明,基于人工智能且使用外泌体SERS信号的多肿瘤同时诊断系统包括:信号获取单元,其构造为将从测量目标人物获取的外泌体滴在芯片上以从所述芯片获取多个所述外泌体表面增强拉曼光谱(SERS)信号;肿瘤诊断单元,其构造为通过将获取的所述多个外泌体SERS信号输入到训练后的肿瘤分类算法而针对所述多个外泌体SERS信号中的各者获取信号值0或1,并且构造为通过使用所获取的信号值的平均值而诊断肿瘤或正常;和肿瘤信息提供单元,其构造为在诊断为肿瘤时,通过将所述多个外泌体SERS信号输入到多个起源组织(TOO)确定算法而针对所述多个外泌体SERS信号中的各者获取信号值0或1,构造为通过使用所获取的信号值的平均值来预测肿瘤类型,并且构造为提供有关所预测的肿瘤类型的信息。
所述多肿瘤同时诊断系统还可以包括:SERS信号采集单元,其构造为从正常人获取的外泌体获取多个第一外泌体SERS信号,构造为从具有多种肿瘤类型的肿瘤患者获取的外泌体获取多个第二外泌体SERS信号,构造为将所述多个第一外泌体SERS信号标记为0,并且构造为将所述多个第二外泌体SERS信号标记为1;和第一学习单元,其构造为将标记的所述多个第一外泌体SERS信号和标记的所述多个第二外泌体SERS信号输入到肿瘤分类算法,以训练所述肿瘤分类算法,从而将输入的所述多个第一外泌体SERS信号和所述多个第二外泌体SERS信号中的各者分类为0或1。
所述多肿瘤同时诊断系统还可以包括:第二学习单元,其构造为将从具有所述多种肿瘤类型中的预设肿瘤类型的肿瘤患者获取的所述第二外泌体SERS信号和从除具有所述预设肿瘤类型的所述肿瘤患者以外的其他肿瘤患者获取的所述第二外泌体SERS信号输入到所述多个起源组织(TOO)确定算法,以训练所述多个TOO确定算法中的各者,从而确定所述第二外泌体SERS信号是否对应于所述预设肿瘤类型。
所述信号获取单元可以从包括n×m(其中,n和m是相同或不同的自然数)点阵列的所述芯片获取包括n×m个外泌体SERS信号的外泌体SERS信号图。
所述肿瘤诊断单元可以将所述n×m个外泌体SERS信号输入到所述肿瘤分类算法,并且输出分别对应于所述n×m个外泌体SERS信号的信号值0或1,并且当输出的所述信号值的平均值接近0时分类为正常,当输出的所述信号值的平均值接近1时分类为肿瘤。
所述肿瘤信息提供单元可以将所述n×m个外泌体SERS信号输入到所述多个TOO确定算法,并且所述多个TOO确定算法可以针对输入的所述n×m个外泌体SERS信号中的各者输出信号值0或1,并且所述肿瘤信息提供单元可以将输出的所述信号值的平均值与针对各种肿瘤类型的分类参考值进行比较,以确定各种肿瘤类型。
使用多肿瘤同时诊断系统的多肿瘤同时诊断方法包括:将从测量目标人物获取的外泌体滴在芯片上以从所述芯片获取多个外泌体表面增强拉曼光谱(SERS)信号;通过将获取的所述多个外泌体SERS信号输入到训练后的肿瘤分类算法而针对所述多个外泌体SERS信号中的各者获取信号值0或1,并且通过使用所获取的信号值的平均值而诊断肿瘤或正常;和在诊断为肿瘤时,通过将所述多个外泌体SERS信号输入到多个起源组织(TOO)确定算法而针对所述多个外泌体SERS信号中的各者获取信号值0或1,使用所获取的信号值的平均值来预测肿瘤类型,并且提供有关所预测的肿瘤类型的信息。
有益效果
如上所述,根据本发明,将外泌体SERS信号图输入到肿瘤分类算法以首先诊断肿瘤,从而减少假阳性诊断,并且多肿瘤同时诊断系统通过将诊断为肿瘤的外泌体SERS信号图输入到多个TOO确定算法并且重新分析外泌体SERS信号图来区分肿瘤类型,从而可以检测出早期肿瘤。
此外,根据本发明,可以通过人工智能分析复杂外泌体的SERS信号来克服常规的信号不均匀的局限性。通过这种方法,可以由于外泌体而对肿瘤进行无创液体活检。此外,多肿瘤同时诊断系统可以仅使用血液诊断肿瘤,而不存在诸如X射线或CT等辐射照射或有创组织活检的风险,并且不仅可以用于肿瘤诊断,还可以用于患者的治疗监测。
附图说明
图1是示出了根据本发明实施方案的多肿瘤同时诊断系统的构成图。
图2是示出了根据本发明实施方案的使用多肿瘤同时诊断系统的多肿瘤同时诊断方法的流程图。
图3是示出了在图2所示的步骤S210中出现在各种肿瘤类型中的SERS光谱的示例图。
图4是示出了在图2所示的步骤S220中标记第一外泌体SERS信号和第二外泌体SERS信号的方法的示例图。
图5是示出了在图2所示的步骤S220中训练肿瘤分类算法的方法的示例图。
图6是示出了图2所示的步骤S230的示例图。
图7是示出了图2所示的步骤S240的示例图。
图8是示出了根据本发明实施方案的肿瘤诊断的准确率的示例。
图9示出了根据本发明实施方案的在诊断出肿瘤患者后通过使用起源组织(TOO)确定算法区分肿瘤类型时假阳性诊断的程度的示例图。
图10示出了根据本发明实施方案的基于人工智能且使用外泌体SERS信号的多肿瘤同时诊断方法的ROC曲线的示例。
图11是示出了根据本发明实施方案的使用TOO确定算法的多肿瘤诊断结果的准确率的示例图。
具体实施方式
在下文中,将参照附图详细说明根据本发明的优选实施方案。在此过程中,为了说明的清楚和方便,可以放大附图中所示的线的厚度或部件的尺寸。
此外,考虑到本发明中的功能来定义下面将说明的术语,这些功能可以根据使用者或操作者的意图或习惯而改变。因此,必须基于贯穿本说明书的内容来对术语进行定义。
在下文中,将参照图1更详细地说明根据本发明实施方案的多肿瘤同时诊断系统。
图1是示出了根据本发明实施方案的多肿瘤同时诊断系统的构成图。
如图1所示,根据本发明实施方案的多肿瘤同时诊断系统100包括SERS信号采集单元110、第一学习单元120、第二学习单元130、信号获取单元140、肿瘤诊断单元150和肿瘤信息提供单元160。
首先,SERS信号采集单元110采集通过对从正常人的血浆中采集的外泌体和从肿瘤患者的血浆中采集的外泌体执行拉曼(Raman)光谱法而获取的外泌体SERS信号。
在下文中,为了便于说明,将从正常人获取的外泌体SERS信号称为第一外泌体SERS信号,并且将从肿瘤患者获取的外泌体SERS信号称为第二外泌体SERS信号。
此外,SERS信号采集单元110将多个第一外泌体SERS信号标记为0,并且将多个第二外泌体SERS信号标记为1。
第一学习单元120构建基于深度学习的肿瘤分类算法,并且将标记的第一外泌体SERS信号和标记的第二外泌体SERS信号输入到所构建的肿瘤分类算法以进行训练。然后,肿瘤分类算法响应于输入的第一和第二外泌体SERS信号输出信号值0或1。
第二学习单元130构建基于深度学习的起源组织(TOO)确定算法。在这种情况下,形成多个TOO确定算法以对应于肿瘤类型。这里,肿瘤类型可以包括肺肿瘤、乳腺肿瘤、结直肠肿瘤、肝肿瘤、胰腺肿瘤和胃肿瘤中的至少一者,但是不限于此,并且可以包括各种其他肿瘤类型。
接下来,第二学习单元130将从各个肿瘤患者获取的第二外泌体SERS信号输入到多个TOO确定算法以进行训练。这里,预设肿瘤类型的TOO确定算法接收从与预设肿瘤类型相对应的肿瘤患者获取的第二外泌体SERS信号和从除预设肿瘤类型的肿瘤患者以外的其他肿瘤患者获取的第二外泌体SERS信号,并且学习以确定第二外泌体SERS信号是否对应于预设肿瘤类型。然后,TOO确定算法针对输入的外泌体SERS信号输出信号值0或1。
信号获取单元140将从测量目标人物的血浆中采集的外泌体滴到芯片上,然后在芯片上执行拉曼光谱法以获取多个外泌体SERS信号。
肿瘤诊断单元150通过将获取的多个外泌体SERS信号输入到完成训练的肿瘤分类算法,针对各个外泌体SERS信号获取信号值0或1。然后,肿瘤诊断单元150通过使用所获取的信号值的平均值将测量目标人物诊断为正常人或肿瘤患者。
当测量目标人物被诊断为肿瘤患者时,肿瘤信息提供单元160将多个外泌体SERS信号分别输入到完成训练的多个TOO确定算法。
然后,多个TOO确定算法中的各者针对输入的多个外泌体SERS信号中的各者输出信号值0或1,并且肿瘤信息提供单元160将输出信号值的平均值与对应的肿瘤类型的分类参考值进行比较,以确定外泌体SERS信号是否对应于各种肿瘤类型。
例如,肺肿瘤TOO确定算法针对输入的多个外泌体SERS信号输出信号值0或1,并且将输出信号值的平均值与肺肿瘤分类参考值进行比较,以确定是否存在肺肿瘤。乳腺肿瘤TOO确定算法针对输入的多个外泌体SERS信号输出信号值0或1,并且将输出信号值的平均值与乳腺肿瘤分类参考值进行比较,以确定是否存在乳腺肿瘤。结直肠肿瘤TOO确定算法针对输入的多个外泌体SERS信号输出信号值0或1,并且将输出信号值的平均值与结直肠肿瘤分类参考值进行比较,以确定是否存在结直肠肿瘤。肝肿瘤TOO确定算法针对输入的多个外泌体SERS信号输出信号值0或1,并且将输出信号值的平均值与肝肿瘤分类参考值进行比较,以确定是否存在肝肿瘤。胰腺肿瘤TOO确定算法针对输入的多个外泌体SERS信号输出信号值0或1,并且将输出信号值的平均值与胰腺肿瘤分类参考值进行比较,以确定是否存在胰腺肿瘤。最后,胃肿瘤TOO确定算法针对输入的多个外泌体SERS信号输出信号值0或1,并且将输出信号值的平均值与胃肿瘤分类参考值进行比较,以确定是否存在胃肿瘤。
此外,肿瘤信息提供单元160提供有关确定为良性的肿瘤类型的信息。
将参照图2至图7更详细地说明根据本发明实施方案的使用多肿瘤同时诊断系统的多肿瘤同时诊断方法。
图2是示出了根据本发明实施方案的使用多肿瘤同时诊断系统的多肿瘤同时诊断方法的流程图。
如图2所示,根据本发明实施方案的使用多肿瘤同时诊断系统的多肿瘤同时诊断方法包括:训练肿瘤分类算法和TOO确定算法的步骤;以及通过使用训练后的肿瘤分类算法和训练后的TOO确定方法诊断多种肿瘤的步骤。
首先,在训练肿瘤分类算法和TOO确定算法的步骤中,多肿瘤同时诊断系统100采集来自正常人组和肿瘤患者组的外泌体SERS信号(S210)。
更具体地,从正常人获取血浆样本,并且通过使用尺寸排阻色谱法(SEC)从获取的血浆样本中分离外泌体。此外,以相同的方式从肿瘤患者的血浆样本中分离外泌体。
然后,将通过从正常人的血浆样本中分离而获取的外泌体溶液和从肿瘤患者的血浆样本中分离而获取的外泌体溶液滴在各个金(Au)纳米粒子组装阵列芯片上,然后干燥。
这里,金纳米粒子组装阵列芯片是通过在胶体溶液中使金纳米粒子(AuNP)沉淀,然后将NP涂覆在APTES功能化玻璃表面上而形成的。为了增加APTES功能化玻璃表面上信号获取过程的检测吞吐量和均匀性,金纳米粒子组装阵列芯片包括n×m(其中,n和m是相同或不同的自然数)点阵列,并且在各个点中测量外泌体SERS信号。
然后,SERS信号采集单元110通过在其中外泌体溶液被干燥的金纳米粒子组装阵列芯片上执行拉曼光谱法来采集包括与点阵列相对应的多个外泌体SERS信号的外泌体信号图。
即,SERS信号采集单元110从正常人的外泌体溶液中采集n×m个第一外泌体SERS信号,并且从肿瘤患者的外泌体溶液中采集n×m个第二外泌体SERS信号。
图3是示出了在图2所示的步骤S210中出现在各种肿瘤类型中的SERS光谱的示例图。
根据本发明实施方案的多肿瘤同时诊断系统100通过使用诊断出患有肺肿瘤、乳腺肿瘤、结直肠肿瘤、肝肿瘤、胰腺肿瘤和胃肿瘤中的至少一者的患者来设置肿瘤患者组。
如图3所示,肺肿瘤、乳腺肿瘤、结直肠肿瘤、肝肿瘤、胰腺肿瘤和胃肿瘤具有不同的SERS光谱。
当完成步骤S210时,第一学习单元120标记从正常人组获取的第一外泌体SERS信号和从肿瘤患者组获取的第二外泌体SERS信号,并且通过使用标记的第一和第二外泌体SERS信号训练肿瘤分类算法(S220)。
图4是示出了在图2所示的步骤S220中标记第一外泌体SERS信号和第二外泌体SERS信号的方法的示例图。
如图4所示,肿瘤患者的外泌体溶液包括正常外泌体和肿瘤外泌体,因此,布置在金纳米粒子组装阵列芯片中的n×m个点可以包括正常外泌体或肿瘤外泌体,并且还可以包括正常外泌体和肿瘤外泌体两者。即,可以不同地输出分别对应于点阵列的多个外泌体SERS信号。
然而,根据本发明实施方案的第一学习单元120没有根据是否存在肿瘤外泌体或正常外泌体而对外泌体SERS信号进行分类,并且将从正常人获取的多个第一外泌体SERS信号标记为0,将从肿瘤患者获取的多个第二外泌体SERS信号标记为1。
图5是示出了在图2所示的步骤S220中训练肿瘤分类算法的方法的示例图。
如图5所示,第一学习单元120从标记的第一和第二外泌体SERS信号中随机地提取学习数据和测试数据。
然后,第一学习单元120通过使用与提取的学习数据相对应的第一外泌体SERS信号和第二外泌体SERS信号作为输入数据,并且使用标记值作为输出数据来训练肿瘤分类算法。
即,肿瘤分类算法响应于输入的多个外泌体SERS信号输出信号值0或1,并且通过使用输出信号值的平均值首先诊断是否存在肿瘤。
接下来,第二学习单元130通过使用在步骤S210中获取的肿瘤患者组的第二外泌体SERS信号来训练TOO确定算法(S230)。
图6是示出了图2所示的步骤S230的示例图。
如图6所示,第二学习单元130构建了分别对应于肺肿瘤、乳腺肿瘤、结直肠肿瘤、肝肿瘤、胰腺肿瘤和胃肿瘤的多个TOO确定算法。
然后,第二学习单元130输入从肺肿瘤患者组获取的第二外泌体SERS信号和从除肺肿瘤患者组以外的其他肿瘤患者组获取的第二外泌体SERS信号以训练肺肿瘤TOO确定算法,从而输出与输入的外泌体SERS信号相对应的信号值0或1。
此外,第二学习单元130将从乳腺肿瘤患者组获取的第二外泌体SERS信号和从除乳腺肿瘤患者组以外的其他肿瘤患者组获取的第二外泌体SERS信号输入到乳腺肿瘤TOO确定算法,以训练乳腺肿瘤TOO确定算法,从而输出与输入的外泌体SERS信号相对应的信号值0或1。
第二学习单元130还以相同的方式训练结直肠肿瘤TOO确定算法、肝肿瘤TOO确定算法、胰腺肿瘤TOO确定算法和胃肿瘤TOO确定算法。
当使用步骤S210至步骤S230完成算法训练时,多肿瘤同时诊断系统100针对测量目标人物诊断多种肿瘤。
首先,信号获取单元140获取从测量目标人物的血浆提取的外泌体SERS信号(S240)。
图7是示出了图2所示的步骤S240的示例图。
如图7所示,使用者采集来自测量目标人物的血浆,并且通过对采集的血浆应用色谱法从采集的血浆中分离外泌体。
然后,使用者将外泌体溶解溶液滴在金纳米粒子组装阵列芯片上,然后干燥外泌体溶解溶液。
然后,在金纳米粒子组装阵列芯片上执行拉曼光谱法,以获取与点阵列相对应的n×m(例如,100)个外泌体SERS信号。
当完成步骤S240时,肿瘤诊断单元150将n×m个外泌体SERS信号输入到肿瘤分类算法,以确定测量目标人物是否对应于肿瘤患者(S250)。
更具体地,肿瘤诊断单元150将n×m个外泌体SERS信号输入到肿瘤分类算法。然后,肿瘤分类算法输出分别对应于n×m个外泌体SERS信号的信号值0或1。
当输出信号值的平均值接近0时,肿瘤诊断单元150将测量目标人物诊断为正常人,当输出信号值的平均值接近1时,肿瘤诊断单元150将测量目标人物诊断为肿瘤患者。
当在步骤S250中测量目标人物被诊断为肿瘤患者时,肿瘤信息提供单元160将n×m个外泌体SERS信号输入到训练后的多个TOO确定算法,以对测量目标人物的肿瘤类型进行分类(S260)。
更具体地,肿瘤信息提供单元160将n×m个外泌体SERS信号分别输入到肺肿瘤TOO确定算法、乳腺肿瘤TOO确定算法、结直肠肿瘤TOO确定算法、肝肿瘤TOO确定算法、胰腺肿瘤TOO确定算法和胃肿瘤TOO确定算法。
然后,肺肿瘤TOO确定算法针对输入的n×m个外泌体SERS信号分别输出信号值0或1,并且将输出信号值的平均值与肺肿瘤分类参考值进行比较,以确定测量目标人物是否对应于肺肿瘤患者。
乳腺肿瘤TOO确定算法针对输入的n×m个外泌体SERS信号分别输出信号值0或1,并且将输出信号值的平均值与乳腺肿瘤分类参考值进行比较,以确定测量目标人物是否对应于乳腺肿瘤患者。
结直肠肿瘤TOO确定算法针对输入的n×m个外泌体SERS信号分别输出信号值0或1,并且将输出信号值的平均值与结直肠肿瘤分类参考值进行比较,以确定测量目标人物是否对应于结直肠肿瘤患者。
肝肿瘤TOO确定算法针对输入的n×m个外泌体SERS信号分别输出信号值0或1,并且将输出信号值的平均值与肝肿瘤分类参考值进行比较,以确定测量目标人物是否对应于肝肿瘤患者。
胰腺肿瘤TOO确定算法针对输入的n×m个外泌体SERS信号分别输出信号值0或1,并且将输出信号值的平均值与胰腺肿瘤分类参考值进行比较,以确定测量目标人物是否对应于胰腺肿瘤患者。
最后,胃肿瘤TOO确定算法针对输入的n×m个外泌体SERS信号分别输出信号值0或1,并且将输出信号值的平均值与胃肿瘤分类参考值进行比较,以确定测量目标人物是否对应于胃肿瘤患者。
接下来,肿瘤信息提供单元160提供通过使用根据六种TOO确定算法输出的结果而获得的肿瘤类型预测结果。
在下文中,将参照图8至图11详细说明根据本发明实施方案的通过使用肿瘤分类算法和TOO确定算法同时诊断多种肿瘤的结果。
图8示出了根据本发明实施方案的肿瘤诊断的准确率的示例。
如图8所示,当将从肿瘤患者获取的所有外泌体SERS信号标记为1时,在没有肿瘤外泌体的区域中获取的外泌体SERS信号可能与实际答案不同。即,单个外泌体SERS信号的预测的准确率可能会略微降低。
然而,当通过使用通过肿瘤分类算法输出的信号值的平均值来诊断从肿瘤患者获取的多个外泌体SERS信号时,诊断的准确率约为99%。
图9示出了根据本发明实施方案的在诊断出肿瘤患者后通过使用TOO确定算法区分肿瘤类型时假阳性诊断的程度的示例图。
如图9所示,当将已知的一对其余(One vs Rest)逼近法与根据本发明实施方案的在肿瘤诊断后区分肿瘤类型的方法进行比较时,一对其余逼近法的误诊率约为21.8%,但是在肿瘤诊断后区分肿瘤类型的逼近法的误诊率约为4.5%。
因此,根据本发明实施方案的多肿瘤同时诊断系统具有大幅降低假阳性诊断概率的效果。
图10示出了根据本发明实施方案的基于人工智能且使用外泌体SERS信号的多肿瘤同时诊断方法的ROC曲线的示例,并且图11是示出了根据本发明实施方案的使用TOO确定算法的多肿瘤诊断结果的准确率的示例图。
具体地,图10示出了根据本发明实施方案的用于验证肿瘤分类算法和TOO确定算法的效果的受试者操作特性(ROC)曲线。曲线(ROC曲线)下面积(AUC)越接近1,有用性越大,并且根据本发明实施方案的肿瘤分类算法显示出值约为0.983,并且多个TOO确定算法也显示出优异的性能。
此外,如图11所示,可以看出,根据本发明实施方案的实际诊断结果和预测结果的一致率相对较高,特别地,可以看出,即使是早期肿瘤患者也可以相对准确地预测。
因此,根据本发明的多肿瘤同时诊断系统将包括多个外泌体SERS信号的外泌体SERS信号图输入到肿瘤分类算法以首先诊断肿瘤,从而减少假阳性诊断,并且多肿瘤同时诊断系统通过将诊断为肿瘤的外泌体SERS信号图输入到多个TOO确定算法并且重新分析外泌体SERS信号图来区分肿瘤类型,从而可以检测出早期肿瘤。
此外,根据本发明的多肿瘤同时诊断系统可以通过人工智能分析复杂外泌体的SERS信号来克服常规的信号不均匀的局限性。通过这种方法,可以由于外泌体而对肿瘤进行无创液体活检。此外,多肿瘤同时诊断系统可以仅使用血液诊断肿瘤,而不存在诸如X射线或CT等辐射照射或有创组织活检的风险,并且不仅可以用于肿瘤诊断,还可以用于患者的治疗监测。
尽管参照附图中所示的实施方案说明了本发明,但这仅仅是示例,并且本领域技术人员应当理解,从中可以进行各种变形和等效的其他实施方案。因此,本发明的真正技术保护范围应当由权利要求的技术思想来确定。
附图标记列表
100:多肿瘤同时诊断系统
110:SERS信号采集单元
120:第一学习单元
130:第二学习单元
140:信号获取单元
150:肿瘤诊断单元
160:肿瘤信息提供单元。
Claims (7)
1.一种基于人工智能且使用外泌体SERS信号的多肿瘤同时诊断系统,所述多肿瘤同时诊断系统包括:
信号获取单元,其构造为将从测量目标人物获取的外泌体滴在芯片上以从所述芯片获取多个所述外泌体表面增强拉曼光谱(SERS)信号;
肿瘤诊断单元,其构造为通过将获取的所述多个外泌体SERS信号输入到训练后的肿瘤分类算法而针对所述多个外泌体SERS信号中的各者获取信号值0或1,并且构造为通过使用所获取的信号值的平均值而诊断肿瘤或正常;和
肿瘤信息提供单元,其构造为在诊断为肿瘤时,通过将所述多个外泌体SERS信号输入到多个起源组织(TOO)确定算法而针对所述多个外泌体SERS信号中的各者获取信号值0或1,构造为通过使用所获取的信号值的平均值来预测肿瘤类型,并且构造为提供有关所预测的肿瘤类型的信息。
2.根据权利要求1所述的多肿瘤同时诊断系统,还包括:
SERS信号采集单元,其构造为从正常人获取的外泌体获取多个第一外泌体SERS信号,构造为从具有多种肿瘤类型的肿瘤患者获取的外泌体获取多个第二外泌体SERS信号,构造为将所述多个第一外泌体SERS信号标记为0,并且构造为将所述多个第二外泌体SERS信号标记为1;和
第一学习单元,其构造为将标记的所述多个第一外泌体SERS信号和标记的所述多个第二外泌体SERS信号输入到肿瘤分类算法,以训练所述肿瘤分类算法,从而将输入的所述多个第一外泌体SERS信号和所述多个第二外泌体SERS信号中的各者分类为0或1。
3.根据权利要求2所述的多肿瘤同时诊断系统,还包括:
第二学习单元,其构造为将从具有所述多种肿瘤类型中的预设肿瘤类型的肿瘤患者获取的所述第二外泌体SERS信号和从除具有所述预设肿瘤类型的所述肿瘤患者以外的其他肿瘤患者获取的所述第二外泌体SERS信号输入到所述多个起源组织(TOO)确定算法,以训练所述多个TOO确定算法中的各者,从而确定所述第二外泌体SERS信号是否对应于所述预设肿瘤类型。
4.根据权利要求1所述的多肿瘤同时诊断系统,其中,
所述信号获取单元从包括n×m(其中,n和m是相同或不同的自然数)点阵列的所述芯片获取包括n×m个外泌体SERS信号的外泌体SERS信号图。
5.根据权利要求4所述的多肿瘤同时诊断系统,其中,
所述肿瘤诊断单元将所述n×m个外泌体SERS信号输入到所述肿瘤分类算法,并且输出分别对应于所述n×m个外泌体SERS信号的信号值0或1,并且当输出的所述信号值的平均值接近0时分类为正常,当输出的所述信号值的平均值接近1时分类为肿瘤。
6.根据权利要求5所述的多肿瘤同时诊断系统,其中,
所述肿瘤信息提供单元将所述n×m个外泌体SERS信号输入到所述多个TOO确定算法,并且所述多个TOO确定算法针对输入的所述n×m个外泌体SERS信号中的各者输出信号值0或1,并且所述肿瘤信息提供单元将输出的所述信号值的平均值与针对各种肿瘤类型的分类参考值进行比较,以确定各种肿瘤类型。
7.一种使用多肿瘤同时诊断系统的多肿瘤同时诊断方法,所述多肿瘤同时诊断方法包括:
将从测量目标人物获取的外泌体滴在芯片上以从所述芯片获取多个外泌体表面增强拉曼光谱(SERS)信号;
通过将获取的所述多个外泌体SERS信号输入到训练后的肿瘤分类算法而针对所述多个外泌体SERS信号中的各者获取信号值0或1,并且通过使用所获取的信号值的平均值而诊断肿瘤或正常;和
在诊断为肿瘤时,通过将所述多个外泌体SERS信号输入到多个起源组织(TOO)确定算法而针对所述多个外泌体SERS信号中的各者获取信号值0或1,使用所获取的信号值的平均值来预测肿瘤类型,并且提供有关所预测的肿瘤类型的信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2022/012341 WO2024038927A1 (ko) | 2022-08-18 | 2022-08-18 | 엑소좀 sers 신호를 이용한 인공지능 기반의 다중암 동시 진단 시스템 및 그 방법 |
KR1020220103204A KR102559438B1 (ko) | 2022-08-18 | 2022-08-18 | 엑소좀 sers 신호를 이용한 인공지능 기반의 다중암 동시 진단 시스템 및 그 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117916817A true CN117916817A (zh) | 2024-04-19 |
Family
ID=87427444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280008541.1A Pending CN117916817A (zh) | 2022-08-18 | 2022-08-18 | 基于人工智能且使用外泌体sers信号的多肿瘤同时诊断系统及其方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240230539A1 (zh) |
EP (1) | EP4350710A4 (zh) |
JP (1) | JP2024535152A (zh) |
KR (1) | KR102559438B1 (zh) |
CN (1) | CN117916817A (zh) |
WO (1) | WO2024038927A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10236078B2 (en) * | 2008-11-17 | 2019-03-19 | Veracyte, Inc. | Methods for processing or analyzing a sample of thyroid tissue |
JP6294614B2 (ja) * | 2013-05-08 | 2018-03-14 | 有限会社マイテック | 癌関連物質の定量方法 |
KR20170115907A (ko) * | 2016-04-08 | 2017-10-18 | 고려대학교 산학협력단 | 패턴인식을 통한 엑소좀의 라만 신호 분류 방법 및 세포 진단 방법 |
US10838190B2 (en) * | 2016-06-21 | 2020-11-17 | Sri International | Hyperspectral imaging methods and apparatuses |
KR20180010280A (ko) * | 2018-01-16 | 2018-01-30 | 고려대학교 산학협력단 | 패턴인식을 통한 엑소좀의 라만 신호 분류 방법 및 세포 진단 방법 |
KR102225231B1 (ko) | 2018-05-02 | 2021-03-09 | 순천향대학교 산학협력단 | 엑소좀 miRNA를 기준으로 암 환자를 판별하는 방법 및 장치 |
EP3795983A4 (en) * | 2018-05-18 | 2022-01-26 | Exopert Corporation | EXHALATION-BASED METHOD AND SYSTEM FOR THE DIAGNOSIS OF LUNG CANCER |
KR102291105B1 (ko) * | 2019-03-04 | 2021-08-23 | 주식회사 엑소퍼트 | 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템 |
-
2022
- 2022-08-18 US US18/013,246 patent/US20240230539A1/en active Pending
- 2022-08-18 EP EP22879612.4A patent/EP4350710A4/en active Pending
- 2022-08-18 KR KR1020220103204A patent/KR102559438B1/ko active IP Right Grant
- 2022-08-18 WO PCT/KR2022/012341 patent/WO2024038927A1/ko active Application Filing
- 2022-08-18 JP JP2022581698A patent/JP2024535152A/ja active Pending
- 2022-08-18 CN CN202280008541.1A patent/CN117916817A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240230539A1 (en) | 2024-07-11 |
EP4350710A4 (en) | 2024-10-09 |
EP4350710A1 (en) | 2024-04-10 |
KR102559438B1 (ko) | 2023-07-26 |
WO2024038927A1 (ko) | 2024-02-22 |
JP2024535152A (ja) | 2024-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109943636B (zh) | 一种结直肠癌微生物标志物及其应用 | |
CN113194820B (zh) | 借助外泌体的基于人工智能的利用液体活检的癌诊断信息提供方法及系统 | |
Kanter et al. | Application of Raman spectroscopy for cervical dysplasia diagnosis | |
CN107435062B (zh) | 甄别肺部微小结节良恶性的外周血基因标志物及其用途 | |
CN111833963A (zh) | 一种cfDNA分类方法、装置和用途 | |
CN113257360B (zh) | 癌症筛查模型、癌症筛查模型的构建方法及构建装置 | |
CN117173083A (zh) | 基于舌象图像和肿瘤标志物的肿瘤预测系统、方法及应用 | |
CN113674839A (zh) | 无创成像筛查与微创取样核酸分型的联合检测系统 | |
CN111965240A (zh) | 用于甲状腺癌相关筛查及评估的产品、应用及方法 | |
WO2020250995A1 (ja) | 罹患判定支援装置、罹患判定支援方法、及び罹患判定支援プログラム | |
CN117916817A (zh) | 基于人工智能且使用外泌体sers信号的多肿瘤同时诊断系统及其方法 | |
CN109735619A (zh) | 与非小细胞肺癌预后相关的分子标志物及其应用 | |
CN115128285A (zh) | 一种蛋白质组合对甲状腺滤泡性肿瘤鉴别评估的试剂盒、系统 | |
GB2607184A (en) | Multi-omic assessment | |
CN113723488A (zh) | 基于唾液凝集素芯片数据的疾病区分工具及系统 | |
CN115298535A (zh) | 用于区分分析物和诊断的可检测阵列及与其相关的方法和系统 | |
CN111965238A (zh) | 用于非小细胞肺癌相关筛查及评估的产品、应用及方法 | |
CN111965235A (zh) | 用于胰腺癌相关筛查及评估的产品、应用及方法 | |
CN116377062B (zh) | 检测环状RNA hsa_circ_0033144的试剂在制备诊断胃癌产品中的应用 | |
CN115747333B (zh) | 一种肿瘤标记物检测试剂盒和检测分析系统及其应用 | |
US11807908B2 (en) | Genetic markers used for identifying benign and malignant pulmonary micro-nodules and the application thereof | |
KR102177218B1 (ko) | 머신러닝 기반 암진단 예측 장치 | |
US20200150121A1 (en) | Method for diagnosing cancer and kit therefor | |
KR101106584B1 (ko) | 비행시간이차이온질량분광법을 이용한 질병 지표의 스크린 방법, 질병 지표, 및 질병 진단 장치 | |
Dwivedi et al. | An Automatic Robust Deep Learning and Feature Fusion-based Classification Method for Early Diagnosis of Oral Cancer Using Lip and Tongue Images |
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 |