Spektralne molekularne badanie przesiewowe surowicy w oparciu o SERS pod kątem przerzutów krwiotwórczych

Choć współczesna medycyna poczyniła znaczne postępy w diagnostyce i leczeniu raka płuc, u większości pacjentów diagnozuje się go w stadium miejscowo zaawansowanym lub z przerzutami odległymi, zwłaszcza w późnych stadiach, gdy rak rozprzestrzenił się na inne narządy poprzez przerzuty krwiopochodne. To nie tylko znacznie zwiększa przeżywalność pacjentów, ale także zwiększa złożoność i trudność leczenia. Przerzuty krwiopochodne odgrywają ważną rolę w progresji klinicznej raka płuc, a złożone procesy biologiczne w jego przebiegu stanowią ogromne wyzwanie w postępowaniu klinicznym. Wczesne wykrycie przerzutów krwiotwórczych jest trudne, a tradycyjne metody obrazowania mają ograniczoną czułość w wykrywaniu małych zmian przerzutowych. Pojawiająca się technologia krążących komórek nowotworowych (CTC) ma ograniczone zastosowanie kliniczne ze względu na wysokie koszty wykrywania i wymagania techniczne. Dlatego badanie i rozwój wysoce czułych, wysoce swoistych, prostych, łatwych do spopularyzowania i tanich technologii przewidywania ryzyka krwiotwórczego raka płuc z przerzutami ma kluczowe znaczenie dla wczesnej diagnozy i bardziej precyzyjnego leczenia. Spektroskopia Ramana (RS), nieinwazyjna i wysoce specyficzna technologia wykrywania molekularnego, umożliwia wykrywanie w próbkach biologicznych biomolekuł, takich jak białka, kwasy nukleinowe, lipidy i cukry, związanych z metabolizmem nowotworu na poziomie molekularnym. Opracowana w oparciu o tę technologię spektroskopia R ze wzmocnieniem powierzchniowym (SERS) jest jedną z możliwych metod wysokoczułej analizy biomolekularnej. Chociaż technologia SERS wykazała wyniki diagnostyczne w licznych badaniach przedklinicznych różnych nowotworów, jest ograniczona małą wielkością próbek i brakuje jej zewnętrznej walidacji. Dlatego potrzebne są badania kliniczne w diagnostyce nowotworów za pomocą spektroskopii Ramana, przy spełnieniu następujących wymagań: 1. Potrzebne są obiektywne, szybkie i praktyczne metody przetwarzania danych w ramach spektroskopii Ramana, a najlepszymi metodami klasyfikacji mogą być metody głębokiego uczenia się; 2. Do szkolenia modeli diagnostycznych głębokiego uczenia się potrzebne są wieloośrodkowe próbki kliniczne o dużej próbie, a wyniki w świecie rzeczywistym należy weryfikować na podstawie danych zewnętrznych z badań prospektywnych. W poprzednim badaniu badacze zebrali dane ze spektroskopii Ramana w surowicy od kohorty 23 pacjentów ze złośliwymi nowotworami płuc i opracowali inteligentny system diagnostyki Ramana pod kątem przerzutów krwiotwórczych w niedrobnokomórkowym raku płuc (NSCLC) w oparciu o modele uczenia się, z dokładnością wynoszącą 95%. Aby uzyskać najwyższy poziom dowodów klinicznych i rzeczywiście osiągnąć przełożenie kliniczne, celem tego prospektywnego, wieloośrodkowego badania klinicznego jest walidacja zastosowania tego inteligentnego systemu diagnostycznego do wczesnej diagnostyki przerzutów krwiotwórczych w NSCLC.