Опубликована: 2024-02-16
Выпуск
Раздел
ПРИБОРОСТРОЕНИЕ
Аннотация
Исследована возможность классификации двумерных изображений хромато-масс-спектрограмм летучих метаболитов мочи на предмет наличия онкологических заболеваний с использованием свёрточной нейронной сети. Для этого использован собственный банк данных изображений хромато-масс-спектрограмм, содержащий 108 образцов, полученных от здоровых пациентов и пациентов с клинически подтверждёнными формами рака желудка, рака пищевода, рака лёгкого и рака кишечника. Исходя из особенностей изображений, обоснована архитектура свёрточной нейронной сети для их классификации. С использованием перекрёстной проверки по k блокам получены оценки точности классификации изображений хромато-масс-спектрограмм на предмет наличия или отсутствия онкологического заболевания.
Литература
1. Our World in Data // Causes of death by Hannah Ritchie, Fiona Spooner and Max Roser. URL: https://ourworldindata.org/causes-of-death (дата обращения: 15.11.2023).
2. Метод диагностики онкологических заболеваний на основе анализа изображений хромато-масс-спектрограмм летучих метаболитов мочи / А.А. Роженцов, А.В. Коптина, Т. Шарипова и др. // Современные технологии в медицине. 2014. Т. 6, №. 4. С. 151-159.
3. Systematic review and metanalysis of oncomarkers in IPF patients and serial changes of oncomarkers in a prospective Italian real-life case series / Miriana d'Alessandro, Laura Bergantini, Elena Torricelli et al. // Cancers. 2021. Vol. 13, No. 3. Pp. 539-553.
4. Ganti S., Weiss R. H. Urine metabolomics for kidney cancer detection and biomarker discovery // Urol Oncol. 2011. Vol 5, No. 29. Pp. 551-557.
5. Wishart D. S. Emerging applications of metabolomics in drug discovery and precision medicine // Nature Reviews Drug Discovery. 2016. Vol. 7, No. 15. Pp. 473-484.
6. METLIN: A metabolite mass spectral database / C.A. Smith, G. O'Maille, E.J. Want et al. // Ther Drug Monit. 2005. Vol. 6, No. 27. Pp. 747-751.
7. HMDB: The Human Metabolome Database / D.S. Wishart, D. Tzur, C. Knox et al. // Nucleic Acids Res. 2007. URL: https://hmdb.ca/ (дата обращения: 16.11.2023).
8. Johnson C.H., Ivanisevic J., Siuzdak G. Metabolomics: beyond biomarkers and towards mechanisms // Nature Reviews Molecular Cell Biology. 2016. Vol. 7, No. 17. Pp. 451-459.
9. Metabolomics enables precision medicine: A White Paper, Community Perspective / R.D. Beger, W. Dunn, M.A. Schmidt et al. // Metabolomics. 2016. Vol. 12(10). Pp.149.
10. Li H., He J., Jia W. The influence of gut microbiota on drug metabolism and toxicity // Expert Opin Drug Metab Toxicol. 2016. Vol. 1, No. 12. Pp. 31-40.
11. Viant M.R. Revealing the metabolome of animal tissues using 1H nuclear magnetic resonance spectroscopy // Methods Mol Biol. 2007. No. 358. Pp. 229-246.
12. Procedures for large-scale metabolic profiling of serum and plasma using gas chromatography and liquid chromatography coupled to mass spectrometry / W.B. Dunn, D. Broadhurst, P. Begley et al. // Nature Protocols. 2011. Vol. 7, No. 7. Pp. 1060-1083.
13. The Human Serum Metabolome / N. Psychogios, D.D. Hau, J. Peng et al. // PLoS One. – 2011. Vol. 2, No. 6. Pp. 1-23. doi: 10.1371/journal.pone.0016957
14. Alhajj M, Zubair M, Farhana A. Enzyme Linked Immunosorbent Assay [Электронный ресурс] // StatPearls [Internet]. URL: https://www.ncbi.nlm.nih.¬gov/books/NBK555922/ (дата обращения: 15.11.2023).
15. Tabatabaei M. S., Ahmed M. Enzyme-linked immunosorbent assay (ELISA) // Methods Mol Biol. 2022. Vol. 2508, No. 10. Pp. 115-134. doi: 10.1007/978-1-0716-2376-3_10
16. Automated paper-based femtogram sensing device for competitive enzyme-linked immunosorbent assay of aflatoxin B1 using submicroliter samples / S. Charernchai, M. Chikae, T.T. Phan et al. // Analytical Chemistry. 2022. Vol. 94, No. 12. Pp. 5099-5105.
17. Статистический анализ количественного представления летучих метаболитов мочи как возможных онкомаркеров / Р.Р. Фурина, Я.А. Фурман, С.А. Казанкова и др. // Поволжский онкологический вестник. 2018. №. 1 (33). С. 11-18.
18. Application of gas chromatography-mass spectrometry-based metabolomics in food science and technology / S.P. Putri, M.M. Ikram, A. Sato et al. // Journal of bioscience and bioengineering. 2022. Vol. 133, No. 5. Pp. 425-435.
19. Pointer Ian. Programming PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications. Boston: O’REILLY, 2019. 220 p.
20. Гудфеллоу Я., Бенджио И., Курвиль А. Глубокое обучение. М.: ДМК-Пресс, 2018. 652 c.
21. Николаенко С. И., Архангельская Е. О., Кадурин А. А. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2022. 480 c.
22. Karasek F.W., Clement R.E. Basic gas chromatography-mass spectrometry: principles and techniques. New York:Elsevier, 2012. 201 p.
23. Column characterization and selection systems in reversed-phase high-performance liquid chromatography / P. Žuvela, M. Skoczylas, J.J. Liu et al. // Chemical Reviews. 2019. Vol. 119, No. 6. Pp. 3674-3729.
24. Poole C. Gas chromatography. New York: Elsevier, 2021. 936 p.
25. Verbeeck N., Caprioli R. M., Van de Plas R. Unsupervised machine learning for exploratory data analysis in imaging mass spectrometry // Mass Spectrometry Reviews. 2020. Vol. 39, No. 3. Pp. 245-291.
26. Франсуа Ш. Глубокое обучение на Python. СПб.: Питер, 2018. 400 c.
27. Каллан Р. Основные коцепции нейронных сетей. М.: Вильямс, 2009. 288 c.
28. Тимофеев В. С., Сивак М. А. Робастная нейронная сеть с простой архитектурой // Сибирский журнал индустриальной математики. 2021. T. 24, № 4. С. 126-138.
29. Хайкин С. Нейронные сети. М.: Вильямс, 2019. 1104 c.
30. Rao Delip, Brian McMahan. Natural Language Processing with PyTorch: Build Intelligent Language Applications Using Deep Learning. Boston: O’REILLY, 2019. 256 p.
31. Иванов К. О. Классификация фрагментов электроэнцефалограммы по степени патологической значимости с помощью последовательных нейронных сетей // Вестник Поволжского государственного технологического университета. Сер.: Радиотехнические и инфокоммуникационные системы. 2022. № 4 (56). C. 24-37. DOI 10.25686/2306-2819.2022.4.24
2. Метод диагностики онкологических заболеваний на основе анализа изображений хромато-масс-спектрограмм летучих метаболитов мочи / А.А. Роженцов, А.В. Коптина, Т. Шарипова и др. // Современные технологии в медицине. 2014. Т. 6, №. 4. С. 151-159.
3. Systematic review and metanalysis of oncomarkers in IPF patients and serial changes of oncomarkers in a prospective Italian real-life case series / Miriana d'Alessandro, Laura Bergantini, Elena Torricelli et al. // Cancers. 2021. Vol. 13, No. 3. Pp. 539-553.
4. Ganti S., Weiss R. H. Urine metabolomics for kidney cancer detection and biomarker discovery // Urol Oncol. 2011. Vol 5, No. 29. Pp. 551-557.
5. Wishart D. S. Emerging applications of metabolomics in drug discovery and precision medicine // Nature Reviews Drug Discovery. 2016. Vol. 7, No. 15. Pp. 473-484.
6. METLIN: A metabolite mass spectral database / C.A. Smith, G. O'Maille, E.J. Want et al. // Ther Drug Monit. 2005. Vol. 6, No. 27. Pp. 747-751.
7. HMDB: The Human Metabolome Database / D.S. Wishart, D. Tzur, C. Knox et al. // Nucleic Acids Res. 2007. URL: https://hmdb.ca/ (дата обращения: 16.11.2023).
8. Johnson C.H., Ivanisevic J., Siuzdak G. Metabolomics: beyond biomarkers and towards mechanisms // Nature Reviews Molecular Cell Biology. 2016. Vol. 7, No. 17. Pp. 451-459.
9. Metabolomics enables precision medicine: A White Paper, Community Perspective / R.D. Beger, W. Dunn, M.A. Schmidt et al. // Metabolomics. 2016. Vol. 12(10). Pp.149.
10. Li H., He J., Jia W. The influence of gut microbiota on drug metabolism and toxicity // Expert Opin Drug Metab Toxicol. 2016. Vol. 1, No. 12. Pp. 31-40.
11. Viant M.R. Revealing the metabolome of animal tissues using 1H nuclear magnetic resonance spectroscopy // Methods Mol Biol. 2007. No. 358. Pp. 229-246.
12. Procedures for large-scale metabolic profiling of serum and plasma using gas chromatography and liquid chromatography coupled to mass spectrometry / W.B. Dunn, D. Broadhurst, P. Begley et al. // Nature Protocols. 2011. Vol. 7, No. 7. Pp. 1060-1083.
13. The Human Serum Metabolome / N. Psychogios, D.D. Hau, J. Peng et al. // PLoS One. – 2011. Vol. 2, No. 6. Pp. 1-23. doi: 10.1371/journal.pone.0016957
14. Alhajj M, Zubair M, Farhana A. Enzyme Linked Immunosorbent Assay [Электронный ресурс] // StatPearls [Internet]. URL: https://www.ncbi.nlm.nih.¬gov/books/NBK555922/ (дата обращения: 15.11.2023).
15. Tabatabaei M. S., Ahmed M. Enzyme-linked immunosorbent assay (ELISA) // Methods Mol Biol. 2022. Vol. 2508, No. 10. Pp. 115-134. doi: 10.1007/978-1-0716-2376-3_10
16. Automated paper-based femtogram sensing device for competitive enzyme-linked immunosorbent assay of aflatoxin B1 using submicroliter samples / S. Charernchai, M. Chikae, T.T. Phan et al. // Analytical Chemistry. 2022. Vol. 94, No. 12. Pp. 5099-5105.
17. Статистический анализ количественного представления летучих метаболитов мочи как возможных онкомаркеров / Р.Р. Фурина, Я.А. Фурман, С.А. Казанкова и др. // Поволжский онкологический вестник. 2018. №. 1 (33). С. 11-18.
18. Application of gas chromatography-mass spectrometry-based metabolomics in food science and technology / S.P. Putri, M.M. Ikram, A. Sato et al. // Journal of bioscience and bioengineering. 2022. Vol. 133, No. 5. Pp. 425-435.
19. Pointer Ian. Programming PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications. Boston: O’REILLY, 2019. 220 p.
20. Гудфеллоу Я., Бенджио И., Курвиль А. Глубокое обучение. М.: ДМК-Пресс, 2018. 652 c.
21. Николаенко С. И., Архангельская Е. О., Кадурин А. А. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2022. 480 c.
22. Karasek F.W., Clement R.E. Basic gas chromatography-mass spectrometry: principles and techniques. New York:Elsevier, 2012. 201 p.
23. Column characterization and selection systems in reversed-phase high-performance liquid chromatography / P. Žuvela, M. Skoczylas, J.J. Liu et al. // Chemical Reviews. 2019. Vol. 119, No. 6. Pp. 3674-3729.
24. Poole C. Gas chromatography. New York: Elsevier, 2021. 936 p.
25. Verbeeck N., Caprioli R. M., Van de Plas R. Unsupervised machine learning for exploratory data analysis in imaging mass spectrometry // Mass Spectrometry Reviews. 2020. Vol. 39, No. 3. Pp. 245-291.
26. Франсуа Ш. Глубокое обучение на Python. СПб.: Питер, 2018. 400 c.
27. Каллан Р. Основные коцепции нейронных сетей. М.: Вильямс, 2009. 288 c.
28. Тимофеев В. С., Сивак М. А. Робастная нейронная сеть с простой архитектурой // Сибирский журнал индустриальной математики. 2021. T. 24, № 4. С. 126-138.
29. Хайкин С. Нейронные сети. М.: Вильямс, 2019. 1104 c.
30. Rao Delip, Brian McMahan. Natural Language Processing with PyTorch: Build Intelligent Language Applications Using Deep Learning. Boston: O’REILLY, 2019. 256 p.
31. Иванов К. О. Классификация фрагментов электроэнцефалограммы по степени патологической значимости с помощью последовательных нейронных сетей // Вестник Поволжского государственного технологического университета. Сер.: Радиотехнические и инфокоммуникационные системы. 2022. № 4 (56). C. 24-37. DOI 10.25686/2306-2819.2022.4.24
