基于OCT和机器学习的肿瘤类器官多维形态表征及药物作用研究
摘要
肿瘤类器官是研究肿瘤生物学和个体患者药物敏感性的新工具。现有人工接种类器官和破坏性终点测试相结合的方法可以表征类器官药物作用，但要求样本间具有高度均一性，并且缺乏对药物作用的时序分析。本课题组拟构建一种类器官簇生长的综合评价方法，探讨类器官簇生长的形态特征与药物作用关联机制，为基于患者来源肿瘤类器官（PDOs）的癌症新药筛选或临床药敏检测提供新的表征手段。本课题组提出了结合光学相干层析成像（OCT）和基于机器学习的类器官分割与分类技术，并对类器官簇内成百上千个类器官进行了纵向、准确、无标记、并行形态学表征。在欠采样处理的基础上，对多个类器官样本（3个类别）进行聚类分析，获取类器官簇内类器官类别信息以及基于类别的多维形态参数统计信息，进而对各类别数目及形态参数统计信息进行特征筛选和主成分分析（选择特征值大于1的4个主成分），构建类器官簇生长水平综合评价模型。研究结果显示，类器官对药物的反应与形态变化紧密关联，尤其是囊状类器官因药物作用转变而成的实体类器官。此外，本文提出的基于三维OCT和机器学习技术的类器官簇生长水平综合评价模型的综合评价得分与传统生化测试三磷酸腺苷（ATP）值之间的一致性高（82.9%），而基于综合评价模型的相对生长值与ATP值有更高的一致性（90.4%）。该方法可以揭示药物作用下类器官的形态学变化规律，也可以为基于PDOs的癌症新药筛选或临床药敏检测提供新技术和新平台。
引用本文（GB/T 7714）
毛川伟 Mao Chuanwei, 杨珊珊 Yang Shanshan, 梁霄 Liang Xiao, 等. 基于OCT和机器学习的肿瘤类器官多维形态表征及药物作用研究[J]. Chinese Journal of Lasers, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。