基于表面增强拉曼光谱的人工智能辅助前列腺肿瘤早期诊断方法技术

一种基于表面增强拉曼光谱的人工智能辅助前列腺肿瘤早期诊断方法，包括一个收集血清样本的步骤；一个采用拉曼光谱仪进行检测的步骤；一个对采集的拉曼光谱信号进行图形分析和数据处理的步骤；选取生物组织拉曼光谱集中范围400‑1800 cm

【技术实现步骤摘要】
基于表面增强拉曼光谱的人工智能辅助前列腺肿瘤早期诊断方法
本专利技术涉及医学领域，尤其涉及检测技术，具体来说是一种基于表面增强拉曼光谱的人工智能辅助前列腺肿瘤早期诊断方法。
技术介绍
前列腺癌是欧美国家男性中最常见的恶性肿瘤，也是男性肿瘤相关死因中的第二大死亡原因。随着我国人口老龄化的发展及生活方式的改变，前列腺癌的发病率在我国逐年上升，位列我国男性新发恶性肿瘤第六位。与欧美国家不同，我国由于前列腺癌筛查工作尚未普及，大部分前列腺癌患者确诊时已属中晚期，总体预后远差于欧美国家。目前临床上最常用的筛查工具是基于前列腺特异抗原(PSA)的检查，由于PSA是一个组织特异性而非肿瘤特异性的标志物，导致PSA检测对前列腺癌的特异性与敏感性都较低。基于PSA的前列腺癌筛查会导致对恶性疾病的诊断不足和对良性疾病的过度治疗，这极大降低了患者的生活质量并增加了经济负担。因此，临床上需要一种更加便捷、精准的诊断系统来对前列腺肿瘤患者进行早期诊断和病理分级，从而显著改善前列腺肿瘤患者的预后。拉曼光谱(RamanSpectrum,RS)作为一种无创、非侵入性和特异性高的物质分子检测手段，可以在分子尺度上可以得到分子振动、旋转、晶体结构和相变等详细信息，从而敏感地检测出肿瘤细胞和组织内与肿瘤代谢相关的蛋白质、核酸、脂类和糖类等生物分子组成的变化。随着近年来纳米技术和等离子体研究的高速发展，表面增强拉曼光谱(Surface-EnhancedRamanspectroscopy,SERS)开始在生物医药研究中崭露头角，它很好地解决了普通拉曼信号微弱而难以检测的局限，通过纳米粒子与生物分子的相互作用极大地增强了拉曼光谱信号。SERS技术具有信噪比高、信号强的优势，而探针材料本身无明显的拉曼信号，不会对样本信号造成干扰，SERS技术检测血清、唾液、前列腺液等生物样本，通过分析拉曼光谱的组成、位移、强度等变化，已经在包括前列腺癌在内的多种肿瘤生物液体样本中有了极为丰富的应用，显示了广阔的临床应用前景。申请人的先期研究发现，基于病理明确的前列腺癌(PCa)与前列腺良性增生患者(BPH)的前列腺液(EPS)和血清的SERS差异分析，得到在1662cm-1与1560cm-1峰出存在显著差异，所建立的PCA-LDA诊断模型，对前列腺癌诊断的敏感性分别为75％和60％，特异性分别为75％和76.5％，准确率分别为75％和68％，提示EPS和血清SERS分析可能成为前列腺癌检测的潜在工具。申请人的另一项研究也发现，利用SERS对PSA水平为4-10ng/mL的PCa和BPH患者的血清进行分析，可以以98.3％的精确度区分出BPH患者，从而减少了PSA处于“灰区”的患者进行不必要的活检，极大程度提高“灰区”前列腺癌患者的诊断效能。目前，前列腺癌早期诊断通常是通过测量单个指标来进行的，而在前列腺发展的过程中，复杂的肿瘤发生机制全面深刻地改变着肿瘤微环境和生物代谢组学，在多种生物分子层面上均有所影响，这显然说明测量单个标志物，不足以准确的早期诊断前列腺癌，而SERS技术很好地解决了这一问题。前列腺癌患者的相关代谢组学信息释放入血后可以通过SERS血清学检测得以收集，而血清作为临床上易得的生物样品，具有其它检查方法不可比拟的诸多优势。因此，利用SERS整体分析前列腺癌患者的血清分子组成改变，将会是早期诊断前列腺肿瘤的新方向。SERS诊断技术至今仍未真正得到临床验证和应用推广，其中重要的原因就是生物液体样本的SERS光谱生物峰复杂，目前还没有比较权威的方法保证提取特征峰的有效性和通用性，也未能形成真正可实际应用的拉曼光谱诊断模型，并通过临床标本和数据的验证。深度学习是近年来快速发展的多层神经网络算法，具有非线性映射的深层网络结构，可以通过学习多层次的表示和抽象，从图像、声音、文本等数据中学习并掌握规律，并对新的样本作出识别和预测。广泛应用于计算机视觉研究领域的卷积神经网络(ConvolutionalNeuralNetwork，CNN)是一种常用的深度学习算法，该模型能够将原始数据信息通过多个卷积层和池化层的处理，抽象出人脑易于理解的高级特征，比传统的神经网络模型效率和预测准确率更高。CNN通常在卷积层共享过滤器和池化层压缩数据，大大减少了参数个数，有效减少了传统多层神经网络的过拟合问题；通过逐层学习获得特征的非线性表达，自动学习数据的本质特征，避免了复杂的特征提取和数据重建过程，增强了模型的拟合能力。在拉曼光谱中，散射光强度随着拉曼偏移而发生变化，形成一系列形状相似但大小不一的谱峰，可以看成为一维图像或者时间序列，其数据形式符合深度学习的算法的规则，近年来也有研究表明，振动光谱可以构建CNN，而且分类性能良好。申请人此前利用深度学习以及卷积神经网络方法结合表面增强拉曼光谱用于血清检测，诊断前列腺癌骨转移，并取得满意效果，在人工智能分析系统构建方面积累了经验。目前相似产品现状：PSA是一种单链糖蛋白，在前列腺上皮细胞中产生并分泌，在前列腺组织中以高浓度的形式起到液化精液的作用，具有很高的组织特异性。PSA是第一个被美国食品药品管理局(FDA)批准的用于早期诊断肿瘤的标志物，目前已广泛用于前列腺癌的筛查、早期诊断及肿瘤监测。在欧洲前列腺癌筛查随机研究(ERSPC)中，发现PSA筛查可以降低大约20％的55-69岁男性前列腺癌特异性死亡率，但研究同时发现筛查后的活组织检查其阳性率较低，PSA的截断值为3ng/mL时，大约75％接受活检的男性没有发现癌症，而穿刺阳性患者大部分属于无临床意义的前列腺癌。显然，这种筛查方式会导致大量患者面临不必要的重复穿刺，增加了患者对于癌症的恐惧和活检带来的负面影响。另一方面，PSA4ng/mL是多年来人们公认的正常和异常的临界值，而在欧美国家大量的临床病例中发现，大约1/5的前列腺癌患者PSA＜4ng/mL，基于PSA的筛查又将会漏诊相当一部分前列腺癌患者。因此，目前的多种研究结果都说明单纯的应用PSA作为前列腺肿瘤的早期诊断指标显然不能够满足临床上的需要。由于在前列腺癌、良性前列腺增生、前列腺炎、前列腺活检、尿路感染时，PSA均会出现升高，PSA常常结合PSAD(PSA密度)、PSAV(PSA变化速率)、fPSA/tPSA(游离PSA与总PSA的比值)一起为前列腺癌的早期诊断提供参考，这种策略提高了PSA筛查对于前列腺癌诊断的敏感性与特异性。正常前列腺组织每增加1g，可增加PSA0.13ng/mL，而肿瘤组织每增加1g，可增加PSA315ng/mL，而前列腺癌患者的PSA变化速率也显著快于良性前列腺疾病患者，因此计算PSAD和PSAV有助于鉴别前列腺癌和良性前列腺增生性疾病。中国泌尿外科疾病诊断治疗指南2014版指出，当PSAD>0.15或PSAV>0.75ng/(mL·年)时，应怀疑前列腺癌的可能。此外，当PSA处于“灰区”(4～10ng/mL)时，fPSA/tPSA对于前列腺癌的早期诊断、指导前列腺穿刺活检也具有重要意义，可大大提高前列腺癌诊断的特异性。研究表明如患者PSA处于本文档来自技高网...

【技术保护点】
1.一种基于表面增强拉曼光谱的人工智能辅助前列腺肿瘤早期诊断方法，其特征在于：包括如下步骤：/n1)一个收集血清样本的步骤；收集前列腺穿刺或手术患者的血清样本，空腹采集静脉血液5ml，4℃静置3小时后3000rpm离心20分钟，取上清液，血清标本于-80℃低温冰箱保存；/n2)一个采用拉曼光谱仪进行检测的步骤；将患者经过预处理的血清标本解冻后，移取20ul血清与40ul的银纳米颗粒溶胶混合，室温中放置10分钟，移取10ul混合液于硅片上，置于与拉曼谱仪连接的倒置显微镜的自动平台上，采集检测标本的拉曼光谱信号；同时采用WiRE 3.2软件收集拉曼光谱数据；/n3)一个对采集的拉曼光谱信号进行图形分析和数据处理的步骤；选取生物组织拉曼光谱集中范围400-1800cm

【技术特征摘要】
1.一种基于表面增强拉曼光谱的人工智能辅助前列腺肿瘤早期诊断方法，其特征在于：包括如下步骤：
1)一个收集血清样本的步骤；收集前列腺穿刺或手术患者的血清样本，空腹采集静脉血液5ml，4℃静置3小时后3000rpm离心20分钟，取上清液，血清标本于-80℃低温冰箱保存；
2)一个采用拉曼光谱仪进行检测的步骤；将患者经过预处理的血清标本解冻后，移取20ul血清与40ul的银纳米颗粒溶胶混合，室温中放置10分钟，移取10ul混合液于硅片上，置于与拉曼谱仪连接的倒置显微镜的自动平台上，采集检测标本的拉曼光谱信号；同时采用WiRE3.2软件收集拉曼光谱数据；
3)一个对采集的拉曼光谱信号进行图形分析和数据处理的步骤；选取生物组织拉曼光谱集中范围400-1800cm-1进行分析，利用OriginPro8软件对光谱仪采集得到的原始光谱进行预处理，包括减背景和光谱面积均一化，并绘制血清平均拉曼光谱，然后比较相关拉曼特征峰的变化和差异，最后得出前列腺肿瘤早期诊断的诊断结果。


2.如权利要求1所述的基于表面增强拉曼光谱的人工智能辅助前列腺肿瘤早期诊断方法，其特征在于：所述的对采集的拉曼光谱信号进行图形分析和数据处理的步骤，包括如下过程：
1)基于SERS数据构建并训练CNN网络，构建分类器；
(1)利用Python脚本调用Keras框架API完成CNN构建、训练和测试，该框架采用TensorFlow作为底层驱动，CNN结构包含6个层：卷积层1-池化层1-卷积层2-池化层2-全连接层1-全连接层2；
a)输入层输入数据为预处理好的一维SERS光谱数据；
b)第一层卷积层包括60个卷积...

【专利技术属性】
技术研发人员：潘家骅，薛蔚，王琦，朱寅杰，忻志祥，钱宏阳，马泽华，王岩，
申请(专利权)人：上海交通大学医学院附属仁济医院，
类型：发明
国别省市：上海;31