深度学习辣汤小组文献阅读学习之一百六十一篇
2024/4/19
DeepLearning 深度学习辣汤小组
拉曼光谱结合深度学习在单细胞水平快速检测黑色素瘤
Abstract
2022年，来自广东医科大学生物医学工程学院的Li Ying团队，收集黑色素细胞和黑色素瘤细胞的表面增强拉曼散射（SERS）光谱，并构建了基于卷积神经网络（CNN）的分类网络系统，实现黑色素细胞和黑色素瘤细胞、野生型和突变型黑色素瘤细胞的分类及其耐药性鉴定，并在期刊SPECTROCHIM ACTA A（IF：4.39，化学2区）上发表题为“Raman spectroscopy combined with deep learning for rapid detection of melanoma at the single cell level”的文章。
DOI
https://doi.org/10.1016/j.saa.2022.122029
左右滑动查看文章
一、研究背景
黑色素瘤是由异常黑色素细胞过度增殖引起的高转移、高复发的恶性肿瘤。它常见于皮肤和粘膜，也可能发生在非皮肤区域，如眼睛、胃肠道和鼻咽部。据报道，在过去十年中，每年的黑色素瘤病例增加了近50%。据统计，约50%的黑色素瘤存在BRAF基因突变，其中以V600E突变最为常见，占85%以上。黑色素瘤对常规化疗不敏感，用靶向抑制剂治疗是有效的。Vemurafenib (Vem)是一种高效的BRAF激酶抑制剂，对BRAFV600E具有高特异性。然而，大多数患者在使用Vem约6个月后出现明显的耐药性，导致黑色素瘤复发和转移。药物治疗引起的黑色素瘤细胞耐药已成为治疗黑色素瘤的一个难题。
黑色素瘤的早期诊断是获得良好预后的必要前提，监测药物诱导的细胞效应是了解黑色素瘤细胞具体死亡途径的重要一步。组织活检是诊断皮肤黑色素瘤的金标准，但是活检是一种侵入性的检测并且耗时长，本研究，利用带正电的金纳米颗粒平面固体SERS底物获得黑素细胞和黑色素瘤细胞的拉曼光谱，并构建CNN分类模型对正常黑素细胞和黑色素瘤细胞、野生型和突变型黑色素瘤细胞及其耐药性进行分类。
二、数据集
本研究收集10种细胞的光谱数据。对正常黑素细胞、5株黑色素瘤细胞和4株药物诱导构建的耐药程度不同的肿瘤细胞等10种细胞系样品进行拉曼光谱测定，每个细胞样品采集2000个光谱，共获得20000个光谱。
三、研究方法
为了实现黑素细胞和黑色素瘤细胞的分类，构建了一个CNN分类模型。模型由4个卷积层、4个最大池化层和2个全连接层，如图1(a)所示。前两层卷积中的滤波器个数为4个，后两层卷积中的滤波器个数为8个。卷积核的大小设置为3 × 3，池化层使用最大池化。将步长设置为1。采用10倍交叉验证法对CNN模型的分类能力进行评估，如图1(b)所示。首先，对所有光谱数据进行置乱处理，置乱后的数据随机分成10个数据集。其次，保留10%的光谱数据作为测试集，90%的数据用于构建CNN分类器，其中70%用于训练，20%用于验证。
四、结果与结论
为了准确识别黑色素瘤细胞，建立并训练了基于CNN的识别网络。图2中的混淆矩阵显示了每种细胞类型的识别准确率，平均识别准确率为95.57%。可以看出，MEWO、A875和M14 R0.5的分类准确率均在98.0%以上，而突变型黑色素瘤细胞A375的分类准确率最低，为90.8%。A375经常被自身诱导误分类为A375 R0.5，这可能是因为它们都属于A375细胞，光谱组成没有显著差异，导致分类精度较低。
除了对所有细胞进行分类外，还构建了不同的CNN分类模型来实现不同的分类水平，分类结果如图3所示。首先，建立黑色素细胞(MC)和恶性黑色素瘤(MM)细胞的二分类模型，分类准确率在98.5%以上，说明两类细胞的分子组成存在差异，SERS光谱反映的分类效果更好。其次，建立了野生型和突变型黑色素瘤细胞的二分法模型。由于BRAF突变存在于50%的黑色素瘤中，并且这种类型突变的细胞在治疗过程中经常产生耐药性，因此有必要实现对黑色素瘤突变类型的早期识别。本文建立CNN模型，对野生型黑色素瘤细胞(MEWO和MV3)和突变型黑色素瘤细胞(A375、A875和M14)进行分类。结果表明，这两种类型的黑色素瘤细胞的准确率分别为99.1%和98.9%。
为了研究肿瘤细胞的药物敏感性，选择A375细胞和药物诱导的A375 R2.0细胞进行拉曼光谱测量。将A375和A375/R2.0细胞分别暴露于vemurafenib 48 h，在0 h、12 h、24 h、36 h和48 h五个时间点测量两种细胞的SERS光谱，结果如图4所示。与A375/R2.0细胞相比，A375敏感细胞的光谱强度在给药12 h后下降，但在给药36 h后又上升，最初峰值强度的下降可能是由于药物作用导致细胞凋亡，随后强度的增加可能是由于死亡敏感细胞的清除和存活细胞的耐药性的产生。相比之下，耐药细胞A375 R2.0的光谱在药物治疗后保持稳定，变化不大，这可能是由于药物刺激后细胞状态恢复稳定引起的变化。
本研究构建多个CNN分类模型，实现黑素细胞和黑色素瘤细胞、BRAF突变的野生型和突变型黑色素瘤细胞、不同耐药水平的黑色素瘤细胞的分类，准确率最高可达100%，SERS光谱结合深度学习为黑色素瘤的分类提供了一种有效的策略，对黑色素瘤的分析和研究具有重要价值。
图1：（a）本研究卷积神经网络(CNN)的结构图（b）10倍交叉验证过程
图2：本文分类模型对10种细胞类型的预测结果
图3：4级CNN分类模型对独立测试集的预测结果
图4：(a) vemurafenib处理的A375敏感细胞和(b) A375耐药细胞在不同时间的平均拉曼光谱
Pepper soup transformed by: Yang Na
//
深度学习辣汤AI小组由徐州医科大学以及徐州医科大学附属医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习!
扫码关注我们
欢迎加入我们！
成员微信号：cy2011mcu
添加好友时请备注：
您的 单位-科室-姓名-研究方向
