Как рамановская спектроскопия и ИИ выявляют рак кожи без биопсии

Рак кожи — самый распространённый вид рака в США и один из самых распространённых в мире: в 2024 году во всём мире диагностировали почти 1,5 миллиона новых случаев, включая почти 340 000 меланом. Немеланомный рак кожи, прежде всего базально-клеточная карцинома (BCC) и плоскоклеточная карцинома (SCC), встречается ещё чаще — ежегодно в США выявляют 5,4 миллиона случаев.

Раннее выявление имеет решающее значение. Тем не менее, отличить раковые поражения от доброкачественных и предраковых наростов может быть сложно, потому что многие из них могут выглядеть одинаково. Биопсия с последующим микроскопическим исследованием тканей остается золотым стандартом для диагностики, но биопсия является инвазивной, дорогостоящей и иногда может быть выполнена на поражениях, которые в конечном итоге оказываются доброкачественными.

Существует потребность в быстрых, неинвазивных диагностических инструментах, которые могут точно идентифицировать рак кожи при потенциальном сокращении ненужных биопсий.

Как нашли рак кожи без биопсии?

Исследователи из Атлантического университета Флориды изучают новый способ обнаружения рака кожи, сочетая спектроскопию Рамана — технику, которая обеспечивает молекулярный «отпечаток пальцев» ткани — с машинным обучением. В отличие от обычной биопсии, рамановская спектроскопия анализирует, как свет рассеивается при взаимодействии с молекулами в ткани, предоставляя информацию о ее химическом составе без удаления или специальной подготовки ткани.

Обещание этой технологии заключается в том, что она может дать клиницистам еще один способ заглянуть под поверхность поражения кожи без немедленного удаления ткани. Объединив молекулярную информацию, предоставленную рамановской спектроскопией, с машинным обучением, мы начинаем видеть, как можно использовать тонкие различия в химии тканей, чтобы отличить рак от нормальной кожи».

Эндрю Терентис, доктор философии, старший автор исследования, профессор и председатель, кафедра химии и биохимии, Колледж науки Чарльза Э. Шмидта, Атлантический университет Флориды

Как проверяли метод на образцах кожи?

Чтобы проверить этот подход, исследователи использовали мобильную систему спектроскопии Рамана, оснащенную 785-нанометровым диодным лазером и ручным зондом. Они проанализировали более 50 клинических образцов ex vivo, включая BCC, SCC и нормальную кожу. Они сгенерировали около 1000 спектров Рамана и оценили различные методы машинного обучения, чтобы определить, насколько точно спектральные данные могут различать три типа тканей.

Результаты исследования, опубликованные в Proceedings of SPIE в рамках Advanced Chemical Microscopy for Life Science and Translational Medicine 2026, показали, что несколько подходов к машинному обучению могут идентифицировать закономерности в спектрах Рамана, которые отличают нормальную кожу от раковой ткани. К-ближайшие соседи и опорные векторные машинные классификаторы достигли наивысшей общей точности испытаний — около 84%. Машина опорного вектора достигла 78,7% чувствительности и 88,6% специфичности, в то время как неглубокая нейронная сеть достигла 80,8% точности и самой высокой области рабочих характеристик приемника под кривой, или ROC AUC, при 0 910.

Исследователи сначала изучили спектры Рамана, чтобы определить молекулярные паттерны, связанные с различными типами тканей. Анализ показал, что нормальную ткань можно относительно хорошо отличить от двух типов рака кожи, в то время как BCC и SCC показали большее совпадение в их молекулярных сигнатурах. Спектры Рамана из раковых образцов, как правило, показывают более сильные сигналы, связанные с белком, в то время как нормальная ткань показывает более сильные сигналы, связанные с липидами, предоставляя подсказки о молекулярных характеристиках, которые могут помочь дифференцировать типы тканей.

Что говорят о будущем метода сами учёные?

«Наши результаты являются предварительными, но они указывают на будущее, в котором быстрое, неинвазивное измерение может помочь направлять клинические решения и потенциально уменьшить ненужные биопсии», — сказал Терентис.

В настоящее время исследователи ищут более крупные исследования, дальнейшую оптимизацию моделей машинного обучения и более продвинутые подходы, включая глубокие нейронные сети, которые могли бы улучшить диагностическую производительность.

«Рамановская спектроскопия дает нам богатую молекулярную информацию, но задача состоит в том, чтобы научить компьютер распознавать, какие шаблоны имеют наибольшее значение, — сказал Терентис. — С большим количеством образцов и более подготовленными моделями мы считаем, что существует значительный потенциал для повышения точности этого подхода». В конечном счете мы хотим разработать технологию, которая будет не только точной, но и практичной, портативной и достаточно доступной, чтобы стать полезным инструментом в клинических условиях».

Исследование демонстрирует, как достижения в оптической спектроскопии и машинном обучении могут обеспечить новый путь к более быстрой, неинвазивной оценке рака кожи, потенциально дополняя обычную биопсию и помогая клиницистам принимать более обоснованные решения о том, какие поражения требуют дальнейшей оценки.

Соавторами исследования являются Venkata Dhulipalla, бывший аспирант FAU; John Strasswimmer, M.D., Ph.D., адъюнкт-профессор дерматологии и исследовательской биохимии в Медицинском колледже Чарльза Шмидта FAU; и студенты бакалавриата FAU Phuong Nguyen, Lizzie Klein и Max McCain.

Вопросы и ответы

Как именно работает метод обнаружения рака кожи без биопсии?

Исследователи из Атлантического университета Флориды сочетают спектроскопию Рамана с машинным обучением. Спектроскопия анализирует рассеяние света молекулами ткани, давая молекулярный «отпечаток», а алгоритмы распознают различия между раковой и нормальной кожей без удаления ткани.

Насколько точен этот метод по результатам исследования?

На более чем 50 клинических образцах и примерно 1000 спектрах классификаторы К-ближайших соседей и опорных векторов показали точность около 84%. Машина опорного вектора дала 78,7% чувствительности и 88,6% специфичности, а неглубокая нейронная сеть — 80,8% точности и ROC AUC 0,910.

Что учёные планируют делать дальше для улучшения метода?

Эндрю Терентис говорит, что результаты предварительные. Исследователи ищут более крупные исследования, оптимизацию моделей машинного обучения и глубокие нейронные сети. Цель — сделать технологию точной, портативной и доступной для клинических условий, чтобы сократить ненужные биопсии.