一种基于机器学习的拉曼光谱技术方法，用于非产褥期乳腺炎的无创诊断

《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》：A machine learning-driven Raman spectroscopy approach for non-invasive diagnosis of non-puerperal mastitis

非妊娠期乳腺炎早期诊断需结合PBMC分子特征分析，本研究采用拉曼光谱结合PCA、LDA、PLSDA和SVM等机器学习算法，在NPM患者和健康对照组PBMCs中建立诊断模型，AUC值超过0.93，为液活检技术提供新方案。

　　

摘要

早期快速诊断非产褥期乳腺炎（NPM）以及阐明其特定的病理特征具有重要的临床和科学价值。外周血单核细胞（PBMCs）是炎症反应中的关键介质，对疾病的发病、进展和治疗效果起着重要作用，因此它们成为早期识别和管理炎症过程的有希望的生物标志物。然而，为了促进液体活检策略的发展，仍迫切需要新的PBMC检测和分析方法。在这项研究中，我们利用拉曼光谱技术分析了来自两组NPM患者和健康对照组的PBMCs中的分子变化。此外，我们还应用了几种机器学习算法，包括主成分分析（PCA）、线性判别分析（LDA）、偏最小二乘判别分析（PLSDA）和支持向量机（SVM），建立了NPM的诊断预测模型，其曲线下面积（AUC）值超过了0.93。我们的研究结果表明，基于PBMC的液体活检结合拉曼光谱和机器学习为NPM的诊断提供了新的方法。

图形摘要

早期快速诊断非产褥期乳腺炎（NPM）以及阐明其特定的病理特征具有重要的临床和科学价值。外周血单核细胞（PBMCs）是炎症反应中的关键介质，对疾病的发病、进展和治疗效果起着重要作用，因此它们成为早期识别和管理炎症过程的有希望的生物标志物。然而，为了促进液体活检策略的发展，仍迫切需要新的PBMC检测和分析方法。在这项研究中，我们利用拉曼光谱技术分析了来自两组NPM患者和健康对照组的PBMCs中的分子变化。此外，我们还应用了几种机器学习算法，包括主成分分析（PCA）、线性判别分析（LDA）、偏最小二乘判别分析（PLSDA）和支持向量机（SVM），建立了NPM的诊断预测模型，其曲线下面积（AUC）值超过了0.93。我们的研究结果表明，基于PBMC的液体活检结合拉曼光谱和机器学习为NPM的诊断提供了新的方法。

图形摘要