[go: up one dir, main page]

CN112136036A - 基于呼气的肺癌诊断方法及系统 - Google Patents

基于呼气的肺癌诊断方法及系统 Download PDF

Info

Publication number
CN112136036A
CN112136036A CN201980032939.7A CN201980032939A CN112136036A CN 112136036 A CN112136036 A CN 112136036A CN 201980032939 A CN201980032939 A CN 201980032939A CN 112136036 A CN112136036 A CN 112136036A
Authority
CN
China
Prior art keywords
signal
cell
enhanced raman
lung cancer
raman spectrum
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201980032939.7A
Other languages
English (en)
Other versions
CN112136036B (zh
Inventor
崔然皓
成峻庆
金贤九
沈温
申铉球
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aesoport Co ltd
Original Assignee
Aesoport Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Aesoport Co ltd filed Critical Aesoport Co ltd
Priority claimed from PCT/KR2019/006018 external-priority patent/WO2019221581A1/ko
Publication of CN112136036A publication Critical patent/CN112136036A/zh
Application granted granted Critical
Publication of CN112136036B publication Critical patent/CN112136036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/497—Physical analysis of biological material of gaseous biological material, e.g. breath
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Measuring devices for evaluating the respiratory organs
    • A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/497—Physical analysis of biological material of gaseous biological material, e.g. breath
    • G01N33/4975—Physical analysis of biological material of gaseous biological material, e.g. breath other than oxygen, carbon dioxide or alcohol, e.g. organic vapours
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/50—Determining the risk of developing a disease
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/70—Mechanisms involved in disease identification
    • G01N2800/7023—(Hyper)proliferation
    • G01N2800/7028—Cancer

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Food Science & Technology (AREA)
  • Urology & Nephrology (AREA)
  • Medicinal Chemistry (AREA)
  • Hematology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Fuzzy Systems (AREA)
  • Pulmonology (AREA)

Abstract

本发明涉及基于呼气的肺癌诊断方法及系统，包括如下步骤：制作表面增强拉曼光谱基板；溶出多个细胞中分别包含的挥发性有机化合物，将各个细胞VOC溶出液供应给所述SERS基板后，测量各个细胞SERS信号；深度学习所述各个细胞SERS信号，学习所述各个细胞的信号图案；捕集患者呼气后，通过硅油进行液化，将所述液化的患者呼气供应到所述SERS基板，测量呼气SERS信号后，通过所述深度学习结果进行分析而掌握呼气的信号图案；及比较分析所述各个细胞SERS信号的信号图案与所述呼气SERS信号的信号图案，掌握与所述呼气SERS信号类似度最高的所述细胞SERS信号，以此为基础，确认并通报肺癌细胞是否存在。

Description

基于呼气的肺癌诊断方法及系统
技术领域
本发明涉及用于基于呼气诊断肺癌的技术，涉及一种使得能够以分析肺癌患者与正常人呼气的VOC成分差异的方式来诊断肺癌的基于呼气的肺癌诊断方法。
背景技术
肺癌主要利用CT(Computed Tomography：计算机断层扫描)和创伤性过程必备的活检来诊断。
但是，就CT而言，存在辐射线暴露的危险，另外，只有大型医院才能检查，因而在诊断方面存在困难。由于无法简便地检查肺癌的缺点，不容易实现肺癌的早期诊断，这也是肺癌高死亡率的原因。
为了克服这种缺点，一直在研究简便的利用非创伤性呼气气体的肺癌诊断方法。在基于呼吸的肺癌诊断方法中，通过基于气相色谱(GC-MS)的分析法来诊断呼吸中VOC的生物标志物，但这具有如下问题。
第一，结果会因患者是否吸烟或性别等而不同，第二，GC-MS分析结果中出现的异质性(heterogenicity)。肺癌患者与正常人呈现出差异的物质，不是诸如乙醇(ethylalcohol)的特定的单个物质，而是以诸如醛(aldehyde)、烷烃(alkane)的物质群出现。因此，存在无法通过GC-MS选定呼吸VOC的肺癌特异性生物标志物的问题。
发明内容
因此，为了解决如上所述的问题，本发明涉及一种基于呼气的肺癌诊断方法，利用SERS和作为基于人工智能的分类方法的深度学习，分析肺癌患者与正常人的呼气VOC成分差异，仅通过使用者呼气便能够迅速准确执行肺癌诊断。
本发明的目的不限于以上言及的目的，未言及的其它目的是本发明所属技术领域的技术人员可以从以下记载明确理解的。
作为旨在解决所述课题的手段，根据本发明的一种实施形态，可以提供一种基于呼气的肺癌诊断方法，包括：制作SERS(Surface Enhanced Raman Spectroscopy：表面增强拉曼光谱)基板的步骤；溶出多个细胞中分别包含的VOC(Volatile Organic Compound：挥发性有机化合物)，将各个细胞VOC溶出液供应给所述SERS基板后，测量各个细胞SERS信号的步骤；深度学习所述各个细胞SERS信号，学习所述各个细胞的信号图案的步骤；捕集患者呼气后，通过硅油进行液化，将所述液化的患者呼气供应到所述SERS基板，测量呼气SERS信号后，通过所述深度学习结果进行分析而掌握呼气的信号图案的步骤；及比较分析所述各个细胞SERS信号的信号图案与所述呼气SERS信号的信号图案，掌握与所述呼气SERS信号类似度最高的所述细胞SERS信号，以此为基础，确认并通报肺癌细胞是否存在的步骤。
其特征在于，所述多个细胞由肺癌细胞和正常细胞构成，所述肺癌细胞可以为A549、H2087、H446、H460、H520、H358、H441、H2170、H157、H1299、H23、Calu-3、H522、EBC1、H1650、N417中至少一种，所述正常细胞为肺泡II型上皮细胞(Alveolar type II cell)。
所述测量各个细胞SERS信号的步骤是，向培养了学习对象细胞的培养液注入硅油，搅拌预先设置时间，使所述学习对象细胞包含的VOC溶出于硅油。
其特征在于，所述测量呼气SERS信号的步骤是，将患者呼气捕集于泰德拉采样袋(tedler bag)后，向所述泰德拉采样袋注入硅油，等待预先设置时间，从而使所述患者呼气中包含的VOC溶出于硅油。
而且，其特征在于，所述学习各个细胞的信号图案的步骤是基于字典学习来学习所述各个细胞SERS信号的信号图案，所述掌握呼气的信号图案的步骤是基于字典学习来掌握所述呼气SERS信号的信号图案。
其特征在于，所述确认并通报肺癌细胞是否存在的步骤是，通过对所述各个细胞SERS信号的信号图案和所述呼气SERS信号的信号图案的相关分析，检测具有最高类似度的细胞SERS信号，根据所述检测的细胞SERS信号的种类来确认肺癌细胞是否存在。
其特征在于，所述学习各个细胞的信号图案的步骤是，通过由一个输入层、多个隐含层、一个输出层构成的CNN(Convolutional Neural Networks：卷积神经网络)，学习细胞SERS信号与细胞种类间的相关关系后，通过学习完成的CNN获得所述各个细胞SERS信号的信号图案，所述掌握呼气的信号图案的步骤是通过所述学习完成的CNN来掌握所述呼气SERS信号的信号图案，所述各个细胞SERS信号与所述呼气SERS信号的信号图案基于所述隐含层的i个(i为2以上的自然数)输出信息来决定。
其特征在于，所述确认并通报肺癌细胞是否存在的步骤是，基于所述各个细胞SERS信号的信号图案与所述呼气SERS信号的信号图案间的距离值来检测具有最高类似度的细胞SERS信号，根据所述检测的细胞SERS信号的种类来确认肺癌细胞是否存在。
作为旨在解决所述课题的手段，根据本发明另一实施形态，提供一种基于呼气的肺癌诊断系统，包括：SERS基板；拉曼光谱仪，所述拉曼光谱仪在多个细胞各自的VOC溶出液供应给所述SERS基板的情况下，测量细胞SERS信号，在呼气VOC溶出液供应给所述SERS基板的情况下，测量呼气SERS信号；深度学习部，所述深度学习部在借助于所述拉曼光谱仪而测量了细胞SERS信号后，执行基于所述细胞SERS信号的深度学习，获得并存储所述细胞SERS信号的信号图案，测量呼气SERS信号后，通过所述深度学习结果，获得并输出所述呼气SERS信号的信号图案；及肺癌诊断部，所述肺癌诊断部比较分析所述呼气SERS信号的信号图案与所述所述细胞SERS信号的信号图案，检测具有最高类似度的细胞SERS信号，根据所述检测的细胞SERS信号的种类，确认肺癌细胞是否存在。
其特征在于，所述细胞VOC溶出液能够通过向培养了细胞的培养液注入硅油，搅拌预先设置时间后，使溶出了所述细胞包含的VOC的硅油分离而获得。
其特征在于，所述多个细胞能够为肺癌细胞和正常细胞，所述肺癌细胞能够为A549、H2087、H446、H460、H520、H358、H441、H2170、H157、H1299、H23、Calu-3、H522、EBC1、H1650、N417中至少一种，所述正常细胞为肺泡II型上皮细胞。
其特征在于，就所述呼气VOC溶出液而言，将患者呼气捕集于泰德拉采样袋(tedler bag)后，向所述泰德拉采样袋注入硅油，等待预先设置时间后，通过使硅油分离，从而能够获得所述患者呼气中包含的VOC。
其特征在于，所述深度学习部基于字典学习而进行深度学习，获得并存储输入信号的信号图案。
另外，其特征在于，所述深度学习部基于由一个输入层、多个隐含层、一个输出层构成的CNN(Convolutional Neural Networks：卷积神经网络)进行深度学习，获得并存储各个输入信号的信号图案，所述信号图案基于所述隐含层的i个(i为2以上自然数)输出信息来决定。
本发明的基于呼气的肺癌诊断方法以分析肺癌患者与正常人呼气的VOC成分差异的方式，诊断是否患有肺癌，从而可以以非创伤性方式执行，并且还预先切断辐射线暴露可能性。
另外，对纯癌细胞包含的VOC进行SERS测量并进行深度学习后，利用其诊断是否患有肺癌，从而可以容易地克服患者间的异质性(heterogenicity)。
而且，将呼气液化后测量SERS信号，只需要30分钟左右的时间，因而与平均需要4小时以上的GC-MS方法相比，可以提供非常快的诊断时间。
附图说明
图1及图2是用于概略地说明本发明一个实施例的基于呼气的肺癌诊断方法的图。
图3是用于更详细说明本发明一个实施例的SERS基板制作步骤的图。
图4是用于更详细说明本发明一个实施例的细胞SERS信号测量步骤的图。
图5是图示本发明一个实施例的细胞SERS信号的拉曼光谱的图。
图6是用于说明本发明一个实施例的深度学习方法的图。
图7是用于更详细说明本发明一个实施例的患者呼气液化步骤的图。
图8是用于更详细说明本发明一个实施例的肺癌细胞是否存在确认步骤的图。
图9及图10是用于概略地说明本发明另一实施例的基于呼气的肺癌诊断方法的图。
图11是用于说明本发明一个实施例的基于呼气的肺癌诊断系统的图。
具体实施方式
如果参照后面与附图一同详细叙述的实施例，本发明的目的及效果以及用于达成其的技术构成将会明确。在说明本发明方面，当判断认为对公知功能或构成的具体说明可能不必要地混淆本发明要旨时，省略其详细说明。
而且，后述的术语作为考虑到本发明中的功能而定义的术语，其会因使用者、运用者的意图或惯例等而异。
但是，本发明并非限定于以下公开的实施例，可以以互不相同的多样形态体现。不过，本实施例提供用于使本发明的公开更完整，向本发明所属技术领域的技术人员完整地告知发明的范畴，本发明只由权利要求项的范畴所定义。因此，其定义应以本说明书通篇内容为基础而作出。
图1及图2是用于概略地说明本发明一个实施例的基于呼气的肺癌诊断方法的图。
如图1所示，本发明的基于呼气的肺癌诊断方法包括：制作SERS(SurfaceEnhanced Raman Spectroscopy：表面增强拉曼光谱)基板的步骤(S1)；溶出学习对象细胞中分别包含的VOC(Volatile Organic Compound)，将所述各个学习对象细胞的溶出液喷射于所述各个SERS基板后测量SERS信号的步骤(S2)；深度学习所述各个学习对象细胞的SERS信号，学习所述各个学习对象细胞的特异性SERS峰值的步骤(S3)；捕集患者呼气后通过硅油进行液化的步骤(S4)；将所述液化的患者呼气喷射于所述SERS基板后测量SERS信号的步骤(S5)；及将所述患者呼气的SERS信号与所述深度学习结果进行比较分析，从而确认并通报肺癌细胞是否存在的步骤(S6)。
即，本发明以利用SERS和作为基于人工智能的分类方法的深度学习的新型呼吸分析方式，诊断患者是否患有肺癌。
作为参考，SERS是将当光线入射到物质时，根据分子的振动状态而不同地发生的固有SERS信号，在纳米结构体表面放大而获得。每种物质具有的特异性SERS信号最近大量用于定性测量生物体物质。不过，以往的SERS主要只在液态或固态相下使用，气态相下几乎不使用，其理由是因为SERS受到分子振动状态的影响。
因此，在本发明中，将患者呼气中包含的VOC溶出于诸如硅油(silicone oil)的溶剂，使得可以以该溶出液为基础执行SERS。
另外，考虑到当直接分析患者的呼吸时，难以区分因诸如是否吸烟、周围空气质量的周围要素而导致的差异，本发明获得纯粹在肺癌细胞中产生的特异性VOC SERS峰值(peak)，获得并分析能够实际识别多样肺癌种类的多种肺癌细胞的SERS信号。
85％的肺癌患者属于非小细胞肺癌(NSCLC：NonSmall Cell Lung Cancer)，其中40％属于腺癌(adenocarcinoma)，25～30％属于鳞状细胞癌(Squamous cell carcinoma)，15～10％属于大细胞癌(Large cell carcinoma)。而且，不属于NSCLC的15％的肺癌患者属于小细胞肺癌(SCLC：Small cell lung cancer)。
因此，在本发明中，可以为各个肺癌种类细胞株A549、H2087、H446、H460、H520、H358、H441、H2170、H157、H1299、H23、Calu-3、H522、EBC1、H1650、N417等，以及作为正常细胞的肺泡II型上皮细胞(Alveolar type II cell)等。当然，除上述细胞之外，只要能够区别肺癌与正常人，也可以多样地应用。
不过，下面为了便于说明，限于利用A549、H2087、H520、H460、H446作为肺癌细胞，利用肺泡II型上皮细胞(Alveolar type II cell)作为正常细胞的情形进行说明。
下面参考图3至图8，更详细说明本发明的方法。
步骤S1的SERS基板制作步骤可以如图3所示执行。
首先，准备基底基板(S11)，用硅烷偶联剂涂覆基底基板表面后进行清洗(S12)。基底基板可以以盖玻片等体现。硅烷偶联剂作为用于增加盖玻片与纳米颗粒的结合强度的物质，可以以0.1％浓度的3-APTES(aminopropyltriethoxysilane：3-氨基丙基三乙氧基硅烷)等体现。
而且，在硅烷偶联剂的涂覆面喷射金纳米颗粒后，干燥既定时间(S13)，金纳米颗粒完全干燥后，将基底基板浸于十二硫醇(dodecanethiol)溶液预先设置时间(例如，72小时)以上，使金纳米颗粒的表面涂覆(S14)。金纳米颗粒的大小优选为80nm左右，十二硫醇溶液优选以乙醇为溶剂，浓度为0.1％左右。通过这种过程，亲水性的金纳米颗粒表面可以具有对诸如VOC的有机物质的亲和性。
步骤S2的细胞SERS信号测量步骤可以如图4所示执行。
首先，将各个学习对象细胞培养预先设置时间(例如，72小时)、(S21)。此时，学习对象细胞由肺癌细胞和正常细胞构成，肺癌细胞可以为A549、H2087、H446、H460、H520、H358、H441、H2170、H157、H1299、H23、Calu-3、H522、EBC1、H1650、N417等，正常细胞可以为肺泡II型上皮细胞(Alveolar type II cell)等。当然，除上述细胞之外，只要能够区别肺癌与正常人，也可以多样地应用。
而且，向细胞培养液注入硅油，将经层分离的细胞培养液与硅油搅拌预先设置时间(例如，30分钟)以上，使细胞培养液中包含的VOC溶出(S22)。
而且，分离细胞溶出液并供应给SERS基板后(S23)，向SERS基板照射785nm激光，测量SERS信号(S24)。
通过步骤S24获得的SERS信号可以具有图5所示的拉曼光谱，如果参考这种拉曼光谱可知，与各个细胞对应的SERS信号均具有彼此相异的信号图案。
如上所述，本发明测量肺癌细胞株的VOC，以此为基础获得字典元素(dictionaryelement)，即利用从纯粹的癌细胞获得的VOC，从而以期克服患者间的异质性(heterogenicity)。
在步骤S3的细胞SERS信号的深度学习步骤中，学习各个学习对象细胞的信号图案(即，特异性SERS峰值)。
作为参考，作为深度学习的一个示例，字典学习(Dictionary learning)作为基于人工智能的分析方法的一种，如下执行。
首先，如图6的(a)所示，特定数据库用字典(dictionary)表现，所述字典(dictionary)是称作原子(atom)的基本要素的线性组合。而且，这种学习算法是如果输入了数据库中不存在的新信号(input)，则如图6的(b)所示，将新信号(input)表现为字典内存在的atom的线性组合(x＝α1.d1+α2.d2+…+αn.dn)(此时，w为线性系数)后，如图6的(c)所示，找出尽可能多的系数达到0的稀疏系数，以此为基础，在字典(D)中掌握具有与新信号(input)最相似特性值的信号。此时，atom是将从数据库中包含的各个信号导出的m个信号特性表现为列矢量(m×1)，下面为了便于说明而称为字典元素。字典学习作为深度学习的一个示例，字典元素可以一般化为SERS信号的信号图案进行说明。
因此，在本发明中，对肺癌细胞和正常细胞各自的SERS信号(X)进行深度学习(deep learning)，获得并存储与各个细胞SERS信号对应的信号图案。
步骤S4的患者呼气液化步骤可以如图7所示执行。
即，将患者呼气捕集于泰德拉采样袋(tedler bag)后(S41)，向泰德拉采样袋注入硅油(S42)，经过预先设置时间(例如，30分钟)后，将注射器插入泰德拉采样袋，将溶出了患者呼气中包含的VOC的硅油(即，呼气溶出液)从泰德拉采样袋抽出(S43)。
在步骤S5的呼气SERS信号测量步骤中，将步骤S43抽出的呼气溶出液供应给SERS基板后，向SERS基板照射785nm激光，测量呼气的SERS信号。
在步骤S6的呼气SERS信号深度学习步骤中，执行对呼气SERS信号的深度字典学习，获得呼气的信号图案(即，患者来源SERS信号图案)。
最后，在步骤S7的肺癌细胞是否存在确认步骤中，通过呼气SERS信号的信号图案与经步骤S3学习的信号图案间的相关分析，如图8所示，检测具有与呼气SERS信号最类似信号特性值的细胞。图8中以红框标识的部分显示出实际患者来源SERS信号图案与通过深度学习而学习的SERS信号图案的相关关系最高的细胞对。
而且，如果检测的细胞是肺癌细胞，则确认使用者身体内存在肺癌细胞并通报，如果检测的细胞种类为正常细胞，则确认使用者身体内不存在肺癌细胞并通报。不同于此，也可以只限于检测的细胞为肺癌细胞时才诊断肺癌并通报。
而且，在上述方法中，举出字典学习作为深度学习的一个示例进行说明，但在本发明中，也可以支撑基于CNN(convolutional neural network)的分析动作。
图9及图10是用于概略地说明本发明另一实施例的基于呼气的肺癌诊断方法的图。这不是基于字典学习而是基于CNN的方法，与SERS基板、SERS信号测量等相关的步骤，以与基于字典学习的方法相同的方式执行，省略对此的详细说明。
CNN由一个输入层、多个隐含层、一个输出层构成，各层包含的神经元通过加权值而连接，因此，生成并学习以细胞SERS信号为输入条件、以细胞种类为输出条件的多个学习数据，调整各层包含的神经元加权值。
在本发明中，利用这种CNN来掌握细胞SERS信号或呼气SERS信号的信号图案，特别是以与输入信号对应的信号图案，取代输出层，获得通报细胞种类的隐含层的i个(i为2以上的自然数，例如，10个)输出信息并利用。
首先，如图9所示，获得肺癌细胞和正常细胞各自的SERS信号(即，细胞SERS信号)。
于是，生成以细胞SERS信号为输入条件、以细胞种类为输出条件的多个学习数据后，通过其使CNN模式反复学习，CNN模型可以将后来的输入信号二元分类(binaryclassification)为肺癌细胞和正常细胞。CNN模型学习完成后，获得关于各个细胞SERS信号的i个(例如，10个)隐含层输出信息，将其存储为各个细胞SERS信号的信号图案(S3')。
在步骤S3'完成的状态下，获得呼气SERS信号(S4、S5)后，将呼气SERS信号输入学习完成的CNN模型，然后与细胞SERS信号一样，将i个(例如，10个)隐含层输出信息获得为呼气SERS信号的信号图案并存储(S6')。
然后，计算各个细胞SERS信号的信号图案与呼气SERS信号的信号图案间的距离，以具有最短距离值的细胞SERS信号为基础，导出与呼气信号类似度最高的细胞并通报。
基于距离，判断与哪种细胞更类似。此时，距离计算方法可以为马哈拉诺比斯(Mahalanobis)距离、欧几里德(Euclidean)距离、余弦(cosine)距离等中某一种，具有类似度与距离成反比增加的特征。
通过这种方法，可以计算个别呼气信号中出现的类似度，最优选地，如图10所示，可以一个人获得50～250个呼气信号并用于分析。而且，如果按升序排列各呼气信号的类似度，则可以按患者轻松导出与肺癌细胞的类似度。
图11是用于说明本发明一个实施例的基于呼气的肺癌诊断系统的图。
如果参考图11，本发明的系统可以包括：SERS基板10；拉曼光谱仪20，所述拉曼光谱仪20测量向所述各个SERS基板供应的细胞VOC(Volatile Organic Compound)溶出液和呼气VOC溶出液的SERS信号；深度学习部30，所述深度学习部30在借助于所述拉曼光谱仪而测量了细胞SERS信号后，获得并存储所述细胞SERS信号的图案，测量了呼气SERS信号后，获得并输出所述呼气SERS信号的图案；肺癌诊断部40，所述肺癌诊断部40执行所述呼气SERS信号的图案与通过所述深度学习而学习的图案的相关分析，从而检测具有最高类似度的细胞SERS信号，根据所述检测的细胞SERS信号的种类来确认肺癌细胞是否存在；等。
此时，细胞VOC溶出液可以通过向培养了细胞的培养液注入硅油，搅拌预先设置时间后，对溶出了所述细胞中包含的VOC的硅油进行分离而获得。另外，呼气VOC溶出液可以将患者呼气捕集于泰德拉采样袋(tedler bag)，向所述泰德拉采样袋注入硅油，等待预先设置时间后，通过分离硅油而获得所述患者呼气中包含的VOC。
而且，此时的细胞也如前面说明所示，可以为肺癌细胞和正常细胞，肺癌细胞可以为A549、H2087、H446、H460、H520、H358、H441、H2170、H157、H1299、H23、Calu-3、H522、EBC1、H1650、N417中至少一种，正常细胞可以为肺泡II型上皮细胞(Alveolar type II cell)。
即，本发明的系统也可以利用前面说明的SERS技术和作为基于人工智能的分类方法的深度学习(即，字典学习，CNN)，因而可以执行非创伤性、免于辐射能暴露忧虑的肺癌诊断动作。
而且，以上虽然只限于以肺癌细胞和正常细胞为基础诊断是否患有肺癌的情形进行了说明，但必要时，当然也可以以分别与支气管癌、结肠直肠癌、前列腺癌、乳腺癌、胰腺癌、胃癌、卵巢癌、膀胱癌、脑癌、甲状腺癌、食道癌、子宫癌、肝癌、肾癌、胆道癌、及睾丸癌等对应的癌细胞为基础，诊断除肺癌之外的多样癌。
以上说明只不过示例性地说明了本发明的技术思想，只要是本发明所属技术领域的技术人员，便可以在不超出本发明本质性特性的范围内多样地修订及变形。因此，本发明中公开的实施例并非用于限定而是用于说明本发明的技术思想，并非本发明的技术思想范围由这种实施例所限定。本发明的保护范围应根据以下权利要求书进行解释，处于与之同等范围内的所有技术思想应解释为包含于本发明的权利范围。

Claims (14)

1.一种基于呼气的肺癌诊断方法，包括：
制作表面增强拉曼光谱基板的步骤；
溶出多个细胞中分别包含的挥发性有机化合物，将各个细胞挥发性有机化合物溶出液供应给所述表面增强拉曼光谱基板后，测量各个细胞表面增强拉曼光谱信号的步骤；
深度学习所述各个细胞表面增强拉曼光谱信号，学习所述各个细胞的信号图案的步骤；
捕集患者呼气后，通过硅油进行液化，将所述液化的患者呼气供应到所述表面增强拉曼光谱基板，测量呼气表面增强拉曼光谱信号后，通过所述深度学习结果进行分析而掌握呼气的信号图案的步骤；及
比较分析所述各个细胞表面增强拉曼光谱信号的信号图案与所述呼气表面增强拉曼光谱信号的信号图案，掌握与所述呼气表面增强拉曼光谱信号类似度最高的所述细胞表面增强拉曼光谱信号，以此为基础，确认并通报肺癌细胞是否存在的步骤。
2.根据权利要求1所述的基于呼气的肺癌诊断方法，其特征在于，
所述多个细胞由肺癌细胞和正常细胞构成，所述肺癌细胞可以为A549、H2087、H446、H460、H520、H358、H441、H2170、H157、H1299、H23、Calu-3、H522、EBC1、H1650、N417中至少一种，所述正常细胞为肺泡II型上皮细胞。
3.根据权利要求1所述的基于呼气的肺癌诊断方法，其特征在于，
所述测量各个细胞表面增强拉曼光谱信号的步骤是，
向培养了学习对象细胞的培养液注入硅油，搅拌预先设置时间，使所述学习对象细胞包含的挥发性有机化合物溶出于硅油。
4.根据权利要求1所述的基于呼气的肺癌诊断方法，其特征在于，
所述测量呼气表面增强拉曼光谱信号的步骤是，
将患者呼气捕集于泰德拉采样袋后，向所述泰德拉采样袋注入硅油，等待预先设置时间，从而使所述患者呼气包含的挥发性有机化合物溶出于硅油。
5.根据权利要求1所述的基于呼气的肺癌诊断方法，其特征在于，
所述学习各个细胞的信号图案的步骤是基于字典学习来学习所述各个细胞表面增强拉曼光谱信号的信号图案，
所述掌握呼气的信号图案的步骤是基于字典学习来掌握所述呼气表面增强拉曼光谱信号的信号图案。
6.根据权利要求5所述的基于呼气的肺癌诊断方法，其特征在于，
所述确认并通报肺癌细胞是否存在的步骤是，
通过对所述各个细胞表面增强拉曼光谱信号的信号图案和所述呼气表面增强拉曼光谱信号的信号图案的相关分析，检测具有最高类似度的细胞表面增强拉曼光谱信号，根据所述检测的细胞表面增强拉曼光谱信号的种类来确认肺癌细胞是否存在。
7.根据权利要求1所述的基于呼气的肺癌诊断方法，其特征在于，
所述学习各个细胞的信号图案的步骤是，通过由一个输入层、多个隐含层、一个输出层构成的卷积神经网络，学习细胞表面增强拉曼光谱信号与细胞种类间的相关关系后，通过学习完成的卷积神经网络获得所述各个细胞表面增强拉曼光谱信号的信号图案，
所述掌握呼气的信号图案的步骤是通过所述学习完成的卷积神经网络来掌握所述呼气表面增强拉曼光谱信号的信号图案，
所述各个细胞表面增强拉曼光谱信号与所述呼气表面增强拉曼光谱信号的信号图案基于所述隐含层的i个输出信息来决定，其中i为2以上的自然数。
8.根据权利要求7所述的基于呼气的肺癌诊断方法，其特征在于，
所述确认并通报肺癌细胞是否存在的步骤是，
基于所述各个细胞表面增强拉曼光谱信号的信号图案与所述呼气表面增强拉曼光谱信号的信号图案间的距离值来检测具有最高类似度的细胞表面增强拉曼光谱信号，根据所述检测的细胞表面增强拉曼光谱信号的种类来确认肺癌细胞是否存在。
9.一种基于呼气的肺癌诊断系统，包括：
表面增强拉曼光谱基板；
拉曼光谱仪，所述拉曼光谱仪在多个细胞各自的挥发性有机化合物溶出液供应给所述表面增强拉曼光谱基板的情况下，测量细胞表面增强拉曼光谱信号，在呼气挥发性有机化合物溶出液供应给所述表面增强拉曼光谱基板的情况下，测量呼气表面增强拉曼光谱信号；
深度学习部，所述深度学习部在借助于所述拉曼光谱仪而测量了细胞表面增强拉曼光谱信号后，执行基于所述细胞表面增强拉曼光谱信号的深度学习，获得并存储所述细胞表面增强拉曼光谱信号的信号图案，测量呼气表面增强拉曼光谱信号后，通过所述深度学习结果，获得并输出所述呼气表面增强拉曼光谱信号的信号图案；及
肺癌诊断部，所述肺癌诊断部比较分析所述呼气表面增强拉曼光谱信号的信号图案与所述所述细胞表面增强拉曼光谱信号的信号图案，检测具有最高类似度的细胞表面增强拉曼光谱信号，根据所述检测的细胞表面增强拉曼光谱信号的种类，确认肺癌细胞是否存在。
10.根据权利要求9所述的基于呼气的肺癌诊断系统，其特征在于，
所述细胞挥发性有机化合物溶出液能够通过向培养了细胞的培养液注入硅油，搅拌预先设置时间后，使溶出了所述细胞包含的挥发性有机化合物的硅油分离而获得。
11.根据权利要求10所述的基于呼气的肺癌诊断系统，其特征在于，
所述多个细胞能够为肺癌细胞和正常细胞，所述肺癌细胞能够为A549、H2087、H446、H460、H520、H358、H441、H2170、H157、H1299、H23、Calu-3、H522、EBC1、H1650、N417中至少一种，所述正常细胞为肺泡II型上皮细胞。
12.根据权利要求9所述的基于呼气的肺癌诊断系统，其特征在于，
就所述呼气挥发性有机化合物溶出液而言，将患者呼气捕集于泰德拉采样袋后，向所述泰德拉采样袋注入硅油，等待预先设置时间后，通过使硅油分离，从而能够获得所述患者呼气包含的挥发性有机化合物。
13.根据权利要求9所述的基于呼气的肺癌诊断系统，其特征在于，
所述深度学习部基于字典学习而进行深度学习，获得并存储输入信号的信号图案。
14.根据权利要求9所述的基于呼气的肺癌诊断系统，其特征在于，
所述深度学习部基于由一个输入层、多个隐含层、一个输出层构成的卷积神经网络进行深度学习，获得并存储各个输入信号的信号图案，所述信号图案基于所述隐含层的i个输出信息来决定，其中，i为2以上自然数。
CN201980032939.7A 2018-05-18 2019-05-20 基于呼气的肺癌诊断方法及系统 Active CN112136036B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2018-0057191 2018-05-18
KR20180057191 2018-05-18
PCT/KR2019/006018 WO2019221581A1 (ko) 2018-05-18 2019-05-20 호기 기반 폐암 진단 방법 및 시스템

Publications (2)

Publication Number Publication Date
CN112136036A true CN112136036A (zh) 2020-12-25
CN112136036B CN112136036B (zh) 2023-11-24

Family

ID=68730269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980032939.7A Active CN112136036B (zh) 2018-05-18 2019-05-20 基于呼气的肺癌诊断方法及系统

Country Status (4)

Country Link
US (1) US20210247382A1 (zh)
EP (1) EP3795983A4 (zh)
KR (1) KR102225543B1 (zh)
CN (1) CN112136036B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102559438B1 (ko) * 2022-08-18 2023-07-26 주식회사 엑소퍼트 엑소좀 sers 신호를 이용한 인공지능 기반의 다중암 동시 진단 시스템 및 그 방법
WO2024168414A1 (pt) 2023-02-16 2024-08-22 Gustavo Senna Chelles Coletor de amostras de ar expirado para pré-diagnóstico de patologias e seu método de uso
KR102748660B1 (ko) 2023-09-06 2025-01-03 (주)메드에이아이 불완전한 ct 이미지 세트로부터 암 진단을 수행하는 암 진단 시스템 및 방법
CN119970004B (zh) * 2025-02-08 2025-10-24 深圳大学 基于气体传感器阵列和fpga的呼气数据分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090040517A1 (en) * 2007-08-08 2009-02-12 Chemimage Corporation Raman difference spectra based disease classification
KR20170115907A (ko) * 2016-04-08 2017-10-18 고려대학교 산학협력단 패턴인식을 통한 엑소좀의 라만 신호 분류 방법 및 세포 진단 방법
CN107301640A (zh) * 2017-06-19 2017-10-27 太原理工大学 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法
WO2017216794A1 (en) * 2016-06-16 2017-12-21 Technion Research & Development Foundation Limited System and method for differential diagnosis of diseases
US20180003706A1 (en) * 2016-06-30 2018-01-04 Sightline Innovation Inc. System, method, and module for biomarker detection

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6623977B1 (en) * 1999-11-05 2003-09-23 Real-Time Analyzers, Inc. Material for surface-enhanced Raman spectroscopy, and SER sensors and method for preparing same
KR101486149B1 (ko) 2013-07-12 2015-01-26 한양대학교 에리카산학협력단 경쟁 면역반응을 이용한 표면-증강 라만 산란 기반의 질병 진단용 마커 검출 방법
WO2016184987A1 (en) * 2015-05-19 2016-11-24 Yaya Diagnostics Gmbh Means and methods for the enrichment of nucleic acids
EP3152570A1 (en) * 2015-08-06 2017-04-12 Yaya Diagnostics GmbH Means and methods for the detection of targets
WO2019221581A1 (ko) * 2018-05-18 2019-11-21 고려대학교 산학협력단 호기 기반 폐암 진단 방법 및 시스템
KR102291105B1 (ko) * 2019-03-04 2021-08-23 주식회사 엑소퍼트 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090040517A1 (en) * 2007-08-08 2009-02-12 Chemimage Corporation Raman difference spectra based disease classification
KR20170115907A (ko) * 2016-04-08 2017-10-18 고려대학교 산학협력단 패턴인식을 통한 엑소좀의 라만 신호 분류 방법 및 세포 진단 방법
WO2017216794A1 (en) * 2016-06-16 2017-12-21 Technion Research & Development Foundation Limited System and method for differential diagnosis of diseases
US20180003706A1 (en) * 2016-06-30 2018-01-04 Sightline Innovation Inc. System, method, and module for biomarker detection
CN107301640A (zh) * 2017-06-19 2017-10-27 太原理工大学 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHRIS O PHILLIPS: "\"Machine learning methods on exhaled volatile organic compounds for distinguishing COPD patients from healthy controls\"" *
JINCHAO LIU 等: "\"Deep convolutional neural networks for Raman spectrum recognition: a unified solution\"" *
XUEZHI QIAO等: "\"Selective Surface Enhanced Raman Scattering for Quantitative Detection of Lung Cancer Biomarkers in Superparticle@MOF Structure\"" *
YUNSHENG CHEN等: ""Breath Analysis Based on Surface Enhanced Raman Scattering Sensors Distinguishes Early and Advanced Gastric Cancer Patients From Healthy Persons"" *

Also Published As

Publication number Publication date
KR20190132296A (ko) 2019-11-27
KR102225543B1 (ko) 2021-03-11
US20210247382A1 (en) 2021-08-12
EP3795983A4 (en) 2022-01-26
EP3795983A1 (en) 2021-03-24
CN112136036B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN112136036A (zh) 基于呼气的肺癌诊断方法及系统
Liu et al. Raman spectroscopy: A novel technology for gastric cancer diagnosis
CN113194820B (zh) 借助外泌体的基于人工智能的利用液体活检的癌诊断信息提供方法及系统
Parlatan et al. Label‐free identification of exosomes using raman spectroscopy and machine learning
KR102630580B1 (ko) 호흡기 질병 진단을 위한 질병 시그니처를 이용한 기침 소리 분석 방법
CA2893178C (en) Method and apparatus for non-invasive detection of conditions such as lung cancer
EP2475977B1 (en) Surface-enhanced raman scattering for drug detection in exhaled breath
Nayak et al. Principal component analysis and artificial neural network analysis of oral tissue fluorescence spectra: Classification of normal premalignant and malignant pathological conditions
Kim et al. Surface-functionalized SERS platform for deep learning-assisted diagnosis of Alzheimer's disease
Xie et al. Early-stage oral cancer diagnosis by artificial intelligence-based SERS using Ag NWs@ ZIF core–shell nanochains
US8403861B2 (en) Detection of respiratory system lesions
JP2018100957A (ja) 肺癌状態の検出及び予防のための生物医学的検知方法及び装置
EP2498091A1 (en) A vehicle interlocking system and method based on detection of analytes in exhaled breath
JP6462142B2 (ja) 癌罹患危険度評価装置、プログラム、及び癌罹患危険度を試験する方法
Xie et al. SERS-based AI diagnosis of lung and gastric cancer via exhaled breath
Orságová Králová et al. Electrochemically deposited silver detection substrate for surface-enhanced Raman spectroscopy cancer diagnostics
CN112716447A (zh) 一种基于拉曼检测光谱数据深度学习的口腔癌分类系统
Pertzov et al. Use of capnography for prediction of obstruction severity in non-intubated COPD and asthma patients
Habbu et al. Noninvasive blood glucose estimation using pulse based cepstral coefficients
TW201124712A (en) A method for measuring the property of the suspended solids and other substances in the fluid
CN114218985A (zh) 用于肾移植抗排斥反应类型分类的模型系统及其构建方法
Butcher et al. Artificial neural network analysis of volatile organic compounds for the detection of lung cancer
Li et al. Transformer-driven Ag@ 5/Ag-Cu@ 20/PSS SERS Biosensor for Early Diagnosis of Hepatobiliary Diseases
WO2019221581A1 (ko) 호기 기반 폐암 진단 방법 및 시스템
Khodaie et al. Design and Implementation of an Apparatus for Respiratory Parameters Estimation Based on Acoustic Methods

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant