早筛网讯：
近日，爱丁堡大学研究团队发表了一项创新性的乳腺癌早期检测研究，其利用拉曼光谱（Raman Spectroscopy, RS）与机器学习技术结合，成功实现了乳腺癌四大亚型的早期分类，准确率高达98%。
乳腺癌是全球女性最常见的癌症之一，且仍然是导致癌症相关死亡的主要原因之一。尽管近年来乳腺癌的治疗方法取得了显著进展，但由于癌症通常在晚期才被发现，导致了治愈率的低下。早期诊断是提升治疗效果和生存率的关键。当前的液体活检技术在乳腺癌早期检测中具有一定的潜力，但在灵敏度和特异性方面仍面临挑战。传统的血液生物标志物，特别是在早期阶段，往往难以有效检测到癌症的存在。因此，发展更加高效、精确的早期检测技术仍是乳腺癌研究中的一大难题。
为了克服这一挑战，研究团队结合了拉曼光谱与机器学习技术，以期通过对血浆样本中化学成分的微小变化进行精准检测。拉曼光谱是一种基于光与分子相互作用的光谱技术，能够无损、非侵入性地分析样本的分子成分。在此基础上，结合机器学习技术，研究人员通过对大量血浆样本的光谱数据进行分析和学习，构建了一个精准的乳腺癌亚型分类模型。
研究中，团队首先从北爱尔兰生物样本库和乳腺癌组织库收集了12个乳腺癌患者和12个健康志愿者的血浆样本。所有乳腺癌患者均为Ia期，且根据激素受体（HR）和HER2的状态进行了亚型分类。样本采集后，研究人员使用拉曼光谱仪对每个样本的血浆进行光谱采集。为确保数据质量，研究者采用了785nm波长的近红外激光照射，通过对每个样本的五个不同区域进行测量，收集了500-1600cm^-1范围内的光谱数据，并进行一系列数据预处理。
接着，研究团队采用主成分分析（PCA）和线性判别分析（LDA）等机器学习方法对光谱数据进行降维与分类。通过交叉验证方法，团队构建了一个能够高效区分乳腺癌四大亚型的机器学习模型。具体来说，在四个乳腺癌亚型（Luminal A、Luminal B、HER2富集型和三阴性乳腺癌）与健康对照组的分类中，
研究表明该模型的宏观平均AUC达到了0.98，表现出了非常高的分类性能。
具体到每个亚型的分类效果，
Luminal A、HER2富集型和三阴性乳腺癌的敏感性均为100%，而Luminal B亚型的敏感性为90%，特异性均在85%以上
，显示了该方法在乳腺癌亚型识别中的高度精准性。
此外，研究人员通过层次聚类分析进一步验证了该方法的有效性。聚类结果显示，不同乳腺癌亚型之间的血浆样本能够明显分为不同的簇，且相同亚型的样本聚集在一起，形成独立的群体。通过在不同实验条件下的重复验证，
研究团队确认了该方法的高重复性和稳定性
，为未来临床应用提供了有力的支持。
这项研究为乳腺癌的早期诊断和亚型分类提供了一种新方法。通过结合拉曼光谱与机器学习，研究不仅成功实现了乳腺癌的精确分型，还为早期检测提供了一个高度敏感且非侵入性的新手段。
进群、合作、投稿请扫码：
