SERS-baseret serum molekylær spektral screening for hæmatogen metastase

Selvom moderne medicin har gjort betydelige fremskridt i diagnosticering og behandling af lungekræft, diagnosticeres de fleste patienter på et lokalt fremskredent stadium eller med fjernmetastaser, især i de sene stadier, hvor kræften har spredt sig til andre organer gennem hæmatogen metastasering. Dette ikke kun signifikant patienternes overlevelsesrate, men øger også kompleksiteten og sværhedsgraden af ​​behandlingen. Hæmatogen metastase spiller en vigtig rolle i den kliniske progression af lungekræft, dens komplekse biologiske processer udgør en stor udfordring for klinisk behandling. Tidlig påvisning af hæmatogen metastase er vanskelig, og traditionelle billeddannelsesmetoder har begrænset følsomhed til at påvise små metastatiske læsioner. Den nye teknologi for cirkulerende tumorceller (CTC'er) har været begrænset i klinisk anvendelse på grund af dens høje detektionsomkostninger og tekniske krav. Derfor er forskning og udvikling af højfølsomhed, højspecificitet, enkle, lette at popularisere og billige teknologier til at forudsige risikoen for hæmatogen metastasering af lungekræft afgørende for tidlig diagnose og mere præcis behandling. Raman-spektroskopi (RS), en ikke-invasiv og meget specifik molekylær detektionsteknologi, kan detektere i biomolekyler såsom proteiner, nukleinsyrer, lipider og sukker relateret til tumormetabolisme i biologiske prøver på molekylært niveau. Overfladeforstærket R-spektroskopi (SERS), udviklet baseret på denne teknologi, er en af ​​de mulige metoder til højfølsom biomolekylær analyse. Selvom SERS-teknologi har vist diagnostiske resultater i adskillige prækliniske undersøgelser af forskellige tumorer, er den begrænset af små prøvestørrelser og mangler ekstern validering. Derfor er kliniske undersøgelser af diagnosticering af tumorer nødvendige Raman-spektroskopi med følgende krav: 1. Objektive, hurtige og praktiske Raman-spektroskopi-databehandlingsmetoder er nødvendige, og deep learning-metoder kan være de bedste klassifikationsmetoder; 2. Multicenter, store stikprøver kliniske prøver er nødvendige for at træne deep learning diagnostiske modeller, og virkelighedens ydeevne bør valideres gennem eksterne data fra prospektive undersøgelser. I tidligere undersøgelse indsamlede efterforskerne serum Raman-spektroskopidata fra en kohorte på 23 patienter med lunge-maligniteter og udviklede et intelligent Raman-diagnosesystem til hæmatogen metastasering i ikke-småcellet lungecancer (NSCLC) baseret på indlæringsmodeller, med en nøjagtighedsrate på 95 %. For at opnå det højeste niveau af klinisk evidens og virkelig opnå klinisk oversættelse, sigter denne prospektive, multicenterklinik mod at validere brugen af ​​dette intelligente diagnostiske system til tidlig diagnose af hæmatogen metastase i NSCLC.