SERS-pohjainen seerumin molekyylispektriseulonta hematogeenisen metastaasin varalta

Vaikka nykyaikainen lääketiede on edistynyt merkittävästi keuhkosyövän diagnosoinnissa ja hoidossa, useimmat potilaat diagnosoidaan paikallisesti edenneessä vaiheessa tai etäpesäkkeillä, erityisesti myöhäisissä vaiheissa, jolloin syöpä on levinnyt muihin elimiin hematogeenisen metastaasin kautta. Tämä ei ainoastaan ​​merkittävästi lisää potilaiden eloonjäämisastetta, vaan lisää myös hoidon monimutkaisuutta ja vaikeutta. Hematogeenisella etäpesäkkeellä on tärkeä rooli keuhkosyövän kliinisessä etenemisessä, ja sen monimutkaiset biologiset prosessit asettavat valtavan haasteen kliiniselle hoidolle. Hematogeenisen metastaasin varhainen havaitseminen on vaikeaa, ja perinteisillä kuvantamismenetelmillä on rajallinen herkkyys pienten metastaattisten leesioiden havaitsemisessa. Verenkierron kasvainsolujen (CTC) uusi teknologia on ollut kliinisessä käytössä rajoitettua sen korkeiden havaitsemiskustannusten ja teknisten vaatimusten vuoksi. Siksi korkean herkkyyden, spesifisyyden, yksinkertaisen, helposti suositeltavan ja edullisen teknologian tutkiminen ja kehittäminen hematogeenisen metastasoituneen keuhkosyövän riskin ennustamiseksi on ratkaisevan tärkeää varhaisen diagnoosin ja tarkemman hoidon kannalta. Raman-spektroskopia (RS), ei-invasiivinen ja erittäin spesifinen molekyylien havaitsemistekniikka, pystyy havaitsemaan biomolekyylejä, kuten proteiineja, nukleiinihappoja, lipidejä ja sokereita, jotka liittyvät kasvaimen aineenvaihduntaan biologisissa näytteissä molekyylitasolla. Tämän teknologian pohjalta kehitetty Surface-Enhanced R spectroscopy (SERS) on yksi käyttökelpoisista menetelmistä korkean herkkyyden biomolekyylianalyysiin. Vaikka SERS-tekniikka on osoittanut diagnostisia tuloksia lukuisissa prekliinisissä tutkimuksissa erilaisista kasvaimista, sitä rajoittavat pienet näytekoot, eikä siitä ole ulkoista validointia. Siksi tarvitaan kliinisiä tutkimuksia kasvainten diagnosoimiseksi Raman-spektroskopia seuraavilla vaatimuksilla: 1. Tarvitaan objektiivisia, nopeita ja käytännöllisiä Raman-spektroskopian tiedonkäsittelymenetelmiä, ja syväoppimismenetelmät voivat olla parhaita luokittelumenetelmiä; 2. Syväoppimisen diagnostisten mallien kouluttamiseen tarvitaan monikeskisiä, laajan otoksen kliinisiä näytteitä, ja todellinen suorituskyky tulisi validoida tulevaisuuden tutkimusten ulkoisten tietojen avulla. Aiemmassa tutkimuksessa tutkijat keräsivät seerumin Raman-spektroskopiatietoja 23 keuhkosyöpäpotilaan kohortista ja kehittivät älykkään Raman-diagnostiikkajärjestelmän ei-pienisoluisen keuhkosyövän (NSCLC) hematogeeniselle metastaasille oppimismalleihin perustuvan tarkkuudella 95 %. Saadakseen korkeimman tason kliinisiä todisteita ja saavuttaakseen todella kliinisen translaation, tämän tulevan monikeskuskliinisen tavoitteena on validoida tämän älykkään diagnostisen järjestelmän käyttö hematogeenisen metastaasin varhaisessa diagnosoinnissa NSCLC:ssä.