SERS-basiertes Serum-Molekularspektral-Screening auf hämatogene Metastasen

Obwohl die moderne Medizin bei der Diagnose und Behandlung von Lungenkrebs erhebliche Fortschritte gemacht hat, wird die Diagnose bei den meisten Patienten im lokal fortgeschrittenen Stadium oder mit Fernmetastasen gestellt, insbesondere in den späten Stadien, in denen sich der Krebs durch hämatogene Metastasierung auf andere Organe ausgebreitet hat. Dies erhöht nicht nur die Überlebensrate der Patienten erheblich, sondern erhöht auch die Komplexität und Schwierigkeit der Behandlung. Hämatogene Metastasen spielen eine wichtige Rolle im klinischen Verlauf von Lungenkrebs, ihre komplexen biologischen Prozesse stellen eine große Herausforderung für das klinische Management dar. Die frühzeitige Erkennung hämatogener Metastasen ist schwierig und herkömmliche bildgebende Verfahren weisen eine begrenzte Empfindlichkeit bei der Erkennung kleiner metastatischer Läsionen auf. Die neue Technologie der zirkulierenden Tumorzellen (CTCs) ist aufgrund ihrer hohen Nachweiskosten und technischen Anforderungen nur begrenzt in der klinischen Anwendung einsetzbar. Daher ist die Erforschung und Entwicklung hochempfindlicher, hochspezifischer, einfacher, leicht zu verbreitender und kostengünstiger Technologien zur Vorhersage des Risikos einer hämatogenen Metastasierung von Lungenkrebs von entscheidender Bedeutung für eine frühzeitige Diagnose und eine präzisere Behandlung. Raman-Spektroskopie (RS), eine nicht-invasive und hochspezifische molekulare Nachweistechnologie, kann Biomoleküle wie Proteine, Nukleinsäuren, Lipide und Zucker im Zusammenhang mit dem Tumorstoffwechsel in biologischen Proben auf molekularer Ebene nachweisen. Die auf dieser Technologie basierende oberflächenverstärkte R-Spektroskopie (SERS) ist eine der praktikablen Methoden für die hochempfindliche biomolekulare Analyse. Obwohl die SERS-Technologie in zahlreichen präklinischen Studien zu verschiedenen Tumoren diagnostische Ergebnisse gezeigt hat, ist sie durch kleine Probengrößen begrenzt und verfügt über keine externe Validierung. Daher sind klinische Studien zur Raman-Spektroskopie-Diagnose von Tumoren mit folgenden Anforderungen erforderlich: 1. Es werden objektive, schnelle und praktische Datenverarbeitungsmethoden für die Raman-Spektroskopie benötigt, und Deep-Learning-Methoden können die besten Klassifizierungsmethoden sein; 2. Für das Training von Deep-Learning-Diagnosemodellen sind multizentrische klinische Proben mit großen Stichproben erforderlich, und die Leistung in der Praxis sollte durch externe Daten aus prospektiven Studien validiert werden. In einer früheren Studie sammelten die Forscher Serum-Raman-Spektroskopiedaten von einer Kohorte von 23 Patienten mit bösartigen Lungenerkrankungen und entwickelten ein intelligentes Raman-Diagnosesystem für hämatogene Metastasen bei nicht-kleinzelligem Lungenkrebs (NSCLC) basierend auf Lernmodellen mit einer Genauigkeitsrate von 95 %. Um ein Höchstmaß an klinischer Evidenz zu erhalten und tatsächlich eine klinische Umsetzung zu erreichen, zielt diese prospektive, multizentrische Klinik darauf ab, den Einsatz dieses intelligenten Diagnosesystems zur Frühdiagnose hämatogener Metastasen bei NSCLC zu validieren.