基于ATR-FTIR光谱与机器学习的乳腺癌与卵巢癌差异性诊断研究

宋澳^1,², 蔡以撒^1,², 蔡李峥^1,⁴, 杨万里¹, 庞楠¹, 于瑞华¹, 王士岩^3,^*, 杨超^1,^*, 姜峰^1,^*

Differential Diagnosis of Breast Cancer and Ovarian Cancer Based on ATR-FTIR Spectroscopy Coupled With Machine Learning

SONG Ao^1,², CAI Yi-sa^1,², CAI Li-zheng^1,⁴, YANG Wan-li¹, PANG Nan¹, YU Rui-hua¹, WANG Shi-yan^3,^*, YANG Chao^1,^*, JIANG Feng^1,^*

三组研究对象在1 450 cm^-1处统计显著的相对吸光强度分析 (a): 1 460~1 440 cm^-1区间的平均二阶导数光谱图, 其中乳腺癌组(红色)、卵巢癌组(蓝色)与正常对照组(黑色)在1 450 cm^-1处的谱带差异明显; (b): A _{1 450} /A _{1 650}相对吸光强度的散点图, 展示乳腺癌(红色)、卵巢癌(蓝色)和正常对照组(黑色)之间的显著差异。水平实线表示各组的均值; (c): 正常对照组(N)与癌症组(C: 包括乳腺癌与卵巢癌)之间的ROC曲线; (d): 乳腺癌(B)与卵巢癌(O)之间的ROC曲线, 基于 A _{1 450} /A _{1 650}相对吸光度绘制; 曲线下面积(AUC)、灵敏度和特异性等关键指标展示于图中相应位置; 统计学显著性用*表示: * p <0.05, *** p <0.001