Рамановская спектроскопия и машинное обучение для классификации подтипов рака молочной железы

Рак молочной железы представляет серьёзную угрозу здоровью женщин. Ответ на лекарственную терапию различается в зависимости от подтипа опухоли и влияет на исходы лечения, поэтому точная классификация подтипов имеет большое значение. В последние годы для классификации подтипов рака молочной железы изучались различные методы; рамановская спектроскопия стала эффективным способом неинвазивного анализа опухоли. Однако для быстрой и точной классификации подтипов по-прежнему требуются значительные усилия и опыт обработки и анализа рамановских спектров. В этом исследовании рамановскую спектроскопию сочетали с методами машинного обучения, чтобы упростить и ускорить различение нормальных и опухолевых клеток молочной железы, а также классификацию подтипов рака. Рамановские спектры получили для культивируемых клеточных линий рака молочной железы и проанализировали с помощью двух алгоритмов машинного обучения: дискриминантного функционального анализа на основе анализа главных компонент (PCA-DFA) и метода опорных векторов на основе анализа главных компонент (PCA-SVM). Точность обоих алгоритмов при различении нормальных и опухолевых клеток молочной железы превышала 97%, а при классификации подтипов рака — 92%. Кроме того, полученные результаты подтверждают возможность использования характерных особенностей рамановских спектров в качестве биомаркеров опухолевых клеток; например, интенсивность собственных рамановских полос в опухолевых клетках была выше. Сочетание рамановской спектроскопии с машинным обучением позволяет быстро анализировать рак молочной железы и выявлять различия во внутриклеточном составе и молекулярной структуре его подтипов.