Blog

May 29, 2024

Früherkennung von Lungenkrebs mithilfe künstlicher Intelligenz

Scientific Reports Band 13, Artikelnummer: 13702 (2023) Diesen Artikel zitieren 498 Zugriffe 5 Altmetric Metrics Details Supranukleosomale Chromatinstruktur, einschließlich Chromatindomänenkonformation, ist

Wissenschaftliche Berichte Band 13, Artikelnummer: 13702 (2023) Diesen Artikel zitieren

498 Zugriffe

5 Altmetrisch

Details zu den Metriken

Die supranukleosomale Chromatinstruktur, einschließlich der Konformation der Chromatindomäne, ist an der Regulierung der Genexpression beteiligt und ihre Fehlregulation wurde mit der Karzinogenese in Verbindung gebracht. Frühere Studien haben gezeigt, dass Zellen in der Mundschleimhaut eine molekulare Signatur von Lungenkrebs bei der Zigarettenraucherpopulation tragen, das Phänomen, das als Feldkarzinogenese oder Feldverletzung bekannt ist. Daher stellten wir die Hypothese auf, dass Veränderungen der Chromatinstruktur in der Mundschleimhaut ein Hinweis auf Lungenkrebs sein können. Die geringe Größe der Chromatinkette (ungefähr 20 nm), die in Chromatinpackungsdomänen gefaltet ist, deren Durchmesser typischerweise unter 300 nm liegt, schließt jedoch die Erkennung von Veränderungen in der Chromatinkonformation innerhalb der Domäne mithilfe der beugungsbegrenzten optischen Mikroskopie aus. In dieser Studie haben wir eine optisch-spektroskopische statistische Nanosensorik-Technik entwickelt, um Veränderungen der Chromatin-Packungsdomäne in der Mundschleimhaut als Lungenkrebs-Biomarker zu erkennen: Chromatin-sensitive Partial-Wave-Spektroskopie-Mikroskopie (csPWS). Künstliche Intelligenz (KI) wurde auf csPWS-Messungen von Chromatinveränderungen angewendet, um die diagnostische Leistung zu verbessern. Unsere KI-gestützte bukkale csPWS-Nanozytologie von 179 Patienten an zwei klinischen Standorten unterschied Lungenkrebs im Stadium I von krebsfreien Kontrollen mit einer Fläche unter der ROC-Kurve (AUC) von 0,92 ± 0,06 für Standort 1 (Standort im Bundesstaat) und 0,82 ± 0,11 für Standort 2 (Standort außerhalb des Bundesstaates).

Krebsvorsorgeuntersuchungen sollten im Idealfall Krebs erkennen, bevor Symptome auftreten und der Tumor noch klein ist, um die Behandlungschancen wirksam zu erhöhen und die Sterblichkeit zu senken. Lungenkrebs ist in den USA unabhängig von Rasse und Geschlecht die häufigste Krebstodesursache. Die Gesamtüberlebensrate nach 5 Jahren liegt bei 22,9 %, was deutlich niedriger ist als bei Darmkrebs (65,1 %), Brustkrebs (90,6 %) und Prostatakrebs (96,8 %). )1. Wenn Lungenkrebs jedoch in einem frühen Stadium erkannt wird, ist er durch eine chirurgische Resektion gut heilbar. Die 5-Jahres-Überlebensrate für nicht-kleinen Lungenkrebs (NSLC) im Spätstadium (entfernt) beträgt weniger als 8 %, verbessert sich jedoch auf 64 %, wenn er in einem lokalisierten Stadium entdeckt wird, und erreicht 80 %, wenn er im Stadium IA2 entdeckt wird. Die Niedrigdosis-Computertomographie (LDCT) hat sich als Goldstandard für die Lungenkrebs-Vorsorgeuntersuchung etabliert und ist mit einer 20-prozentigen Senkung der Mortalität bei Patienten verbunden, die mit dieser Technik untersucht werden. Zugänglichkeit, Kosten, Stigmatisierung und mangelnde Einhaltung der LDCT-Richtlinien gehören zu den größten Herausforderungen, die ihre Auswirkungen begrenzen, da sich nur etwa 5 % der LDCT-berechtigten Bevölkerung einem Screening unterziehen3, was dazu führt, dass 55 % der Lungenkrebsfälle in einem fortgeschrittenen Stadium entdeckt werden bei denen die Überlebensrate unter 8 %4 liegt. Wir schlagen daher einen minimalinvasiven, zugänglichen, empfindlichen und genauen Screening-Test mit hoher Empfindlichkeit (Se) für Lungenkrebs im Frühstadium vor.

Andere Screening-Methoden als die LDCT, wie Röntgenaufnahmen des Brustkorbs und Sputumzytologie, haben sich bei der Bewertung in groß angelegten klinischen Screening-Einrichtungen als unbefriedigend erwiesen5. Neue Methoden zur Erkennung von Krebs, die auf Standard-Proteinbiomarkern basieren, bieten keine ausreichende Sensitivität und Spezifität (Sp)6. In jüngster Zeit besteht großes Interesse an der Entwicklung von Protokollen, die auf Tumorsekreten im Blut basieren, wie beispielsweise der Flüssigbiopsie. Tests, die von Unternehmen wie Grail, Freenome, Guardant, Delfi und Thrive entwickelt werden, identifizieren Krebs durch die Analyse von Eigenschaften zirkulierender Tumor-DNA (ctDNA) oder von Tumoren abgeleiteter zirkulierender freier DNA (cfDNA) wie Genmutationen, Methylierung und Fragmentierung7,8,9 ,10,11. Obwohl sich erste Ergebnisse bei der Erkennung verschiedener Krebsarten, einschließlich Lungenkrebs, als vielversprechend erwiesen haben, sinkt die Empfindlichkeit gegenüber Stadium I und kleineren Läsionen steil unter ein klinisch akzeptables Niveau. Es wurde vermutet, dass dies nicht in erster Linie eine technologische Einschränkung ist, sondern möglicherweise mit der Biologie der Quelle und der Art des Biomarkers zusammenhängt. Kleinere Läsionen sezernieren weniger Tumor-ctDNA (~ 1 ctDNA/10 ml Blut), während die Tumorheterogenität nur durch viele Tumornebenprodukt-Biomarker modelliert werden kann, was es schwierig macht, die benötigten Mengen an ctDNA in einer klinisch praktischen Blutprobe zu finden12. Beispielsweise sinkt die Gesamtsensitivität des MCED-Tests (Grail Multi-Cancer Early Detection) von 90,1 % [95 %-Konfidenzintervall (KI) 87,5–92,2 %)] bei Patienten im Stadium IV auf 16,8 % [95 %-KI 14,5–92,2 %]. 19,5 %] bei Patienten im Stadium I13. Die Flüssigbiopsie kann bei nicht durchsuchbaren Krebsarten (Bauchspeicheldrüsenkrebs usw.) ein wirksames Instrument sein. Bei Krebsarten mit etablierten Screening-Protokollen wie Darm- und Lungenkrebs sind Methoden zur Erkennung gut behandelbarer Läsionen im Frühstadium jedoch immer noch dringend erforderlich. Um diese Probleme anzugehen und einen wirksamen Screening-Test für Lungenkrebs zu entwickeln, haben wir drei entscheidende Aspekte optimiert: (1) Biomarker-Quelle, (2) Biomarker-Typ und (3) unterstützende Technologie.

Eine ideale Biomarkerquelle für die Entwicklung eines groß angelegten Screening-Tests sollte durch ein minimalinvasives Verfahren mit einem einfach zu implementierenden und reproduzierbaren Protokoll erhältlich sein und eine hohe Empfindlichkeit für kleine behandelbare Läsionen bieten14. Unser Ansatz zur Suche nach dieser Biomarkerquelle basiert auf der Anwendung eines gut etablierten Phänomens, das als Feldkarzinogenese (oder Feldeffekt, Verletzungsfeld) bekannt ist und erstmals vor sechs Jahrzehnten eingeführt wurde15. Bei der Feldkarzinogenese sind die genetischen/epigenetischen Veränderungen, die zur neoplastischen Zelltransformation führen, bereits im prämalignen Stadium diffus über das „Gebiet der Verletzung“ verteilt15,16,17,18,19,20,21,22,23. Bei der molekularen Feldkarzinogenese entstehen Tumore auf einem histologisch normal erscheinenden, phänotypisch stillen, aber vorkonditionierten und prämalignen „Feld“. Dieses Feld weist transkriptomische, genomische und epigenetische Veränderungen auf, die auf ein nachfolgendes Neoplasma in der betroffenen Region hinweisen können20,24. Aufgrund der stochastischen Natur dieser molekularen Veränderungen können einige Zellen schließlich zu einem Tumorklon führen. Bei der Lungenfeldkarzinogenese beherbergen Zellen in der gesamten Luft- und Verdauungsschleimhaut molekulare Biomarker für die Karzinogenese, unabhängig von ihrer Nähe zu einem Tumor16,17. Die Mundschleimhaut gilt aufgrund der Feldkarzinogenese allgemein als „molekularer Spiegel“ für Lungenkrebs16,18,19,25 und wir betrachteten sie aus zwei Gründen als unsere Biomarkerquelle. Erstens sind bukkale (Wangen-)Bürsten einfach durchzuführen und eignen sich hervorragend für einen Test zu Hause oder für eine Hausarztpraxis, einen Zahnarzt usw., im Gegensatz zu „Flüssigbiopsien“, die kaum selbst durchgeführt werden können. Aufgrund des ätiologischen Zusammenhangs zwischen der Feldkarzinogenese und dem Auftreten von Tumoren auf diesem molekularen Hintergrund wird erwartet, dass die Feldkarzinogenese als Biomarker unabhängig von der diagnostisch wichtigen Tumorgröße hochempfindlich gegenüber Krebs im Frühstadium (z. B. Stadium I) ist Ein entscheidender und wichtiger Unterschied zu anderen Quellen wie Blut oder Atem, die von der Sekretbelastung eines Tumors abhängen und daher empfindlicher auf große Tumoren reagieren als auf kleine.

Die Bestimmung eines geeigneten Lungenkrebs-Biomarkertyps aus der Mundschleimhaut ist die nächste große Herausforderung. Aus genetischen Veränderungen gewonnene Biomarker werden durch die extrem hohe Anzahl genetischer Veränderungen und die erstaunliche Tumorheterogenität negativ beeinflusst, die die Anwendung nachgeschalteter Biomarker zur Erkennung kleiner Läsionen erschwert. Andererseits ist die dynamische Chromatinstruktur ein Regulator globaler Muster der Genexpression und beeinflusst die Bindungskonstanten von Transkriptionsreaktanten, ihre Diffusion zu den Transkriptionsstellen und die Zugänglichkeit der Gene für die Reaktanten, einschließlich Transkriptionsfaktoren (TF) und RNA-Polymerasen (RNAPs)26,27. Insbesondere hat sich gezeigt, dass die Chromatinstruktur ein Regulator der zellulären Transkriptionsplastizität ist, die eines der entscheidenden ätiologischen Kennzeichen der Karzinogenese ist, was sie zu einem potenziellen Biomarkerkandidaten für die Erkennung von Lungenkrebs im Frühstadium macht26,27,28.

Um zu verstehen, welche Arten der Chromatinstruktur die Krebsentstehung fördern können, mussten wir zunächst eine quantifizierbare Metrik der Chromatinstruktur berechnen. Wir und andere haben berichtet, dass Chromatin in verschiedenen Packungsdomänen organisiert ist29,30,31. Auf der kleinsten Längenskala umhüllt die DNA Histone und bildet etwa 11 nm große Nukleosomenkomplexe aus „Perlen an einer Schnur“, die weiter in die krummlinige Chromatinkette gefaltet werden, zwischen 5 und 24 nm32. Diese Chromatinketten sind in verschiedenen strukturellen Verdichtungen und Dichten zusammengepackt und bilden unregelmäßige Blöcke größerer Packungsdomänen. Die Packungsdomänen haben heterogene morphologische Eigenschaften mit einem durchschnittlichen Radius von 80 nm und einer genomischen Größe von etwa 200 kbp33. Innerhalb dieser Domänen zeigt Chromatin ein polymeres fraktalartiges Verhalten (dh das Massenskalierungsverhalten innerhalb der Domänen folgt einer Beziehung nahe dem Potenzgesetz) zusammen mit einer radial abnehmenden Massendichte vom Zentrum zur Peripherie33. Die Skalierung der Chromatinpackung (D) wird durch die Schätzung der Anzahl der Basenpaare (\(N\)) definiert, die mit dem Radius des besetzten Volumens (\(R\)) als \(N\alpha {R}^{\mathrm {D}}\). Experimentell gemessene D-Werte liegen über die Packungsdomänen hinweg zwischen 5/3 und 33. Ein höherer D-Wert kann auf eine Packungsdomäne mit erhöhter Chromatinheterogenität und verringerter Genkonnektivität hinweisen, was zu häufigeren Kontakten über größere Entfernungen führt34,35. Chromatindomänenstrukturen mit einem höheren D wurden mit einer weiteren Hochregulierung ursprünglich hochregulierter Gene und einer gleichzeitigen Unterdrückung herunterregulierter Gene in Verbindung gebracht26,34. Diese Prozesse führen wiederum zu Transkriptionsmustern mit größerer Transkriptionsformbarkeit und interzellulärer Transkriptionsheterogenität26,33. Da neoplastische Zellen als Reaktion auf Stressfaktoren (z. B. Hypoxie, Angriff des Immunsystems, neue Mikroumgebung, Chemotherapie) immer wieder neue Eigenschaften entwickeln müssen, profitieren sie von der Transkriptionsplastizität. Tumorzellen, die durch transkriptionelle Formbarkeit und Heterogenität kritische überlebensfördernde Pfade für ein bestimmtes Stressniveau effizienter hochregulieren können, haben eine höhere Wahrscheinlichkeit, einen seltenen transkriptionellen Zustand zu erreichen, der für das Überleben von Krebszellen entscheidend ist, und tragen so diesen transkriptionellen Phänotyp durch Replikation weiter Sie erhöhen die Wahrscheinlichkeit, dass ihre Nachkommen andere Genmutationen erwerben, von denen einige für die Tumorentstehung von Vorteil sein können. Daher können transkriptionelle Plastizität fördernde Chromatinzustände (einschließlich der höheren Chromatin-Packungsdomäne \(\mathrm{D}\)) eine entscheidende Rolle bei der Schaffung einer „proneoplastischen positiven Rückkopplungsschleife“ spielen und daher als Marker für das Fortschreiten der Neoplasie dienen35. Eine signifikante Korrelation zwischen proneoplastischen Prozessen mit höherer Packungsskalierung D sowie der Transkriptionsplastizität bei verschiedenen bösartigen Erkrankungen stützt das Konzept der Chromatin-regulierten Transkriptionsplastizität. Insbesondere ergab eine umfassende Analyse der TCGS-Datenbank (The Cancer Genome Atlas), dass die Transkriptionsdivergenz bei Tumoren im Spätstadium (Stadium III–IV) zum Zeitpunkt der Diagnose ein unabhängiger Prädiktor für die Überlebenszeit bei Patienten mit Lungen- und Dickdarmerkrankungen ist und Brustkrebs26.

Chromatinstrukturelle Veränderungen treten über die gesamte Chromatinkette bis hin zu Domänen auf Längenskalen von ~ 20 bis ~ 300 nm auf, was zu klein ist, um mit herkömmlicher optischer Mikroskopie beobachtet zu werden. Um diese subbeugungsbedingten Chromatinveränderungen reproduzierbar zu messen, haben wir eine neue Technik namens Chromatin-sensitive Partial Wave Spectroscopic (PWS)-Mikroskopie entwickelt, die auf den physikalischen Prinzipien der statistischen spektroskopischen Nanosensorik basiert. csPWS ist eine schnelle, zuverlässige und nanoskalige optische Spektroskopietechnik, die Chromatin-Konformationsänderungen mit einer Empfindlichkeit zwischen 23 und 334 nm36 erkennen kann. Die wichtigste Innovation bei csPWS ist die statistische Nanosensorik, bei der Subbeugungsstrukturen zwar nicht mit herkömmlicher optischer Mikroskopie auflösbar sind, aber durch Analyse der räumlichen Variationen des Brechungsindex (RI) über die Spektroskopie der Streulichtinterferenz innerhalb jedes Mikroskops erkennbar sind Auflösung Voxel25,37,38,39,40,41,42. Das Ergebnis der csPWS-Mikroskopie ist ein Bild des Zellkerns, in dem das Spektrum, das aus der Interferenz des durch die subbeugungsbedingten räumlichen Variationen der Chromatindichte gestreuten Lichts mit einer Referenzwelle resultiert, verarbeitet wird, um die Skalierung der Chromatinpackung zu messen D30,33,43.

D beschreibt eine quantitative statistische Messung der dreidimensionalen Packung des Chromatinpolymers innerhalb einer selbstähnlichen Domäne. Lokale physikalische Bedingungen wie Kerndichte, genomische Größe (Nd), Domänenvolumenanteil und intrazelluläre Positionierung der Domäne (peripher vs. innen usw.) sind jedoch auch wichtige physikalische Regulatoren, die dabei helfen, die Konnektivität, Zugänglichkeit und Transkriptionsplastizität des Chromatins zu bestimmen und damit die Genexpression26,44. Da die Packungsskalierung D nicht der einzige Prädiktor für die plastizitätsfördernde Konformation ist, wird die Berechnung des durchschnittlichen D die Komplexität der Chromatin-Regulationsmechanismen, die die Genexpression beeinflussen, nicht vollständig erfassen. Daher nutzten wir fortschrittliche Algorithmen des maschinellen Lernens und künstliche Intelligenz (KI), um die biologischen Fußabdrücke von Lungenkrebs zu unterscheiden, die in den Bildern von nuklearem D enthalten sind. Solch ein neuartiger „hybrider“ Ansatz aus KI + ätiologischem Biomarker wird durch die Entwicklung ermöglicht – und wirksam Schichten des neuronalen Netzwerks (NN), die mit mechanistischen Daten informiert sind, die aus den im Packungsskalierungs-D-Bild enthaltenen Veränderungen der Chromatinstruktur gewonnen wurden. Auf diese Weise haben wir unsere neuartige csPWS-Mikroskopie mit einem wissensbasierten KI-Ansatz gekoppelt und eine hohe Empfindlichkeit für die Erkennung von Lungenkrebs im Frühstadium erreicht.

Die csPWS-Nanozytologie umfasst die Entnahme, den Versand und die Vorbereitung bukkaler Proben, gefolgt von der csPWS-Bilderfassung und der Auswertung des D-Bilds zur Skalierung der Kernchromatinpackung mittels KI-Verstärkung.

Die Rekrutierung der Patienten erfolgte durch von der Northwestern University, dem Northwestern Memorial Hospital und dem Boston Medical Center/Boston University zugelassene Institutional Review Boards. Alle Methoden wurden in Übereinstimmung mit den relevanten Richtlinien und Vorschriften durchgeführt und von allen Teilnehmern wurde eine schriftliche Einverständniserklärung eingeholt. Die Kohorte umfasste 96 Patienten mit histologisch bestätigtem Lungenkrebs innerhalb eines Jahres vor der Rekrutierung (Fallpopulation) und 83 Patienten mit einem negativen LDCT-Scan innerhalb eines Jahres vor der Rekrutierung (Kontrollpopulationen). 167 Patienten waren über 45 Jahre alt, neun Patienten waren 27 bis 44 Jahre alt und das Alter von drei Patienten war unbekannt. Ausschlusskriterien waren Lungenkrebs in der Familienanamnese, Chemotherapie- und Strahlenexposition in den letzten drei Monaten, schwangere/stillende Frauen und die Unfähigkeit, eine Einwilligung nach Aufklärung zu erteilen. Unsere Daten wurden durch Entdeckung und unabhängige Validierung von Datensätzen von Standort 1, Northwestern Memorial Hospital (NMH) in Chicago, Illinois, USA, und Standort 2, Boston Medical Center (BMC) in Boston, Massachusetts, USA, gewonnen. Die Kontrollpopulation umfasste Nichtraucher, Niedrigrisiko- und Hochrisikoraucher sowie Patienten mit gutartigen Knötchen. Die Lungenkrebspatienten umfassten alle Stadien, waren jedoch überwiegend Patienten im Stadium I (62 % für Standort 1, einschließlich 11 % im Stadium IA, und 76 % für Standort 2, einschließlich 14 % im Stadium IA).

Wangenproben wurden in der Praxis des Hausarztes durch einen Wangenabstrich unter Verwendung eines minimalinvasiven Pflegestandards (Cytobrush, CooperSurgical, Inc., Trumbull, CT, USA) entnommen. Die Patienten spülten ihren Mund dreimal mit Wasser aus, bevor der Arzt die Borsten auf der Innenseite einer Wangenfläche platzierte und anschließend eine Bewegung von oben nach unten einschließlich Bürstenrotation durchführte. Als nächstes wurden die imprägnierten Tupfer in 1,5-ml-Fläschchenröhrchen (Neptune Scientific, San Diego, USA) getaucht, die 750 ml 25 % Ethanol (Sammelpuffer) enthielten. Anschließend wurden die Proben verpackt und zur csPWS-Mikroskopie an das Zentrallabor geschickt.

Die Proben von Standort 2 wurden auf dem Luftweg von einem Standort außerhalb des Bundesstaates verschickt, während die Proben von Standort 1 per Landtransport von einem Standort im Bundesstaat verschickt wurden. Die Proben wurden während des Transports mithilfe eines speziell angefertigten Transportkits auf einer Temperatur unter 10 °C gehalten und gingen innerhalb von 24 Stunden nach der Probenentnahme in der zentralen Einrichtung ein. Das Transportset enthielt eine äußere Wellpappschachtel (Uline, Pleasant Prairie, WI, USA) und polare Kältemittelpackungen (SONOCO Thermosafe, Arlington Heights, IL, USA). Die Temperatur wurde mithilfe eines Temperaturindikators (Timestrip, Cambridge, UK) überwacht. Das versiegelte Fläschchen wurde in einem inneren Styroporbehälter und saugfähigen Folien verpackt, um ein mögliches Auslaufen unter gekühlten Bedingungen zu verhindern.

Klinische Proben wurden innerhalb von 24 Stunden nach der Entnahme auf der Grundlage der zuvor beschriebenen Ansätze vorbereitet45. Kurz gesagt, die Proben in 25 % Ethanol wurden mithilfe unseres speziell angefertigten Zellabscheidungssystems auf einen Superfrost-Objektträger der Marke Fisher (Fisher Scientific, Hampton, NH, USA) aufgesprüht, um eine nicht überlappende Monoschicht aus bukkalen Zellen zu bilden. Der Probenobjektträger wurde vor der zytologischen Fixierung mit 95 % Ethanol (Thermo Fisher Scientific, Waltham, MA, USA) luftgetrocknet, gefolgt von einer csPWS-Mikroskopie.

Wir haben eine csPWS-SOP entwickelt, um strukturelle Veränderungen des bukkalen Kernchromatins zu erfassen. Unser Ziel war es, ein schnelles, robustes, zuverlässiges und wiederholbares Protokoll mit geringer Variabilität der physikalischen Merkmale der durch csPWS erfassten Zellen jedes Patienten sicherzustellen. Um die Komplexität an der Entnahmestelle zu minimieren, haben wir die Zellfixierung und Probenablage im Zentrallabor und nicht in der Grundversorgungspraxis durchgeführt45. Für jeden Patienten wurden insgesamt > 30 Zellen gesammelt, wobei die Probengröße durch Poweranalyse bestimmt wurde, wobei das Konfidenzintervall (CI) für den Mittelwert D auf weniger als 5 % der Differenz zwischen Krebs- und Kontrollpopulation beschränkt wurde45. Wir erstellten eine Probentransportlösung aus 25 % Ethanol und verwendeten unser speziell angefertigtes Zellablagerungsgerät, um eine nicht deformierte, nicht überlappende Monoschicht aus bukkalen Zellen mit klaren Kerngrenzen auf den Objektträger zu sprühen. Ein Lufttrocknungsschritt verstärkte die Anheftung der Zellen an das Glas, gefolgt von einer Fixierung mit 95 % Ethanol und csPWS-Mikroskopie. Das csPWS-Mikroskop wurde über eine kundenspezifische Software mit einer grafischen Benutzeroberfläche (GUI) gesteuert. Der Bildgebungsvorgang begann mit dem Scannen des gesamten Objektträgers mit einem 10-fach-Luftobjektiv. Es wurde ein halbautomatisches Slide-Map-Modul entwickelt, um schnell ein Bild mit geringer Vergrößerung zu erstellen, indem einzelne Bilder der Slide-Region gesammelt und zusammengefügt werden. Dies half einem geschulten Benutzer, der für die diagnostischen Informationen blind war, bei der zeitnahen Auswahl von über 30 bukkalen Zellen auf dem gesamten Objektträger. Unser Zellscreening-Protokoll wählte nicht gefaltete und nicht überlappende Zellen mit klaren Kerngrenzen aus. Die csPWS-Spektralerfassung wurde mit den Zellen in einem flüssigen Medium (95 % Ethanol) unter Verwendung eines in Flüssigkeit eintauchenden optischen 40-fach-Objektivs (Nikon, Melville, NY, USA) durchgeführt, um den RI zwischen der bukkalen Zelle und der Flüssigkeitsabdeckung anzupassen (dargestellt in Abb . 1a). Der csPWS-Erfassungsalgorithmus erfasste automatisch Spektraldaten für ausgewählte Zellen, und der Analysealgorithmus generierte schnell die verarbeiteten Spektraldaten. Diese Prozesse ermöglichten zuverlässige und reproduzierbare Ergebnisse und machten csPWS für größere zukünftige Studien geeignet, die zusätzliche klinische Standorte umfassen.

(a) Schematische Darstellung des csPWS-Instruments. Tubuslinse (TL), akusto-optischer abstimmbarer Filter (AOTF), komplementärer Metalloxidhalbleiter (CMOS). (b) csPWS-Instrument (c) Arbeitsablauf der bukkalen csPWS-Nanozytologie.

Der Aufbau und die schematische Darstellung des csPWS-Instruments und des optischen Pfads zur Erfassung bukkaler Zelldaten sind in Abb. 1a dargestellt. Das optische csPWS-System (dargestellt in Abb. 1b) ist auf einem kommerziellen Mikroskop (Nikon Instruments, Melville, NY, USA) aufgebaut und verwendet einen Nikon Eclipse Ni-E-Mikroskopkörper mit Modifikationen, die eine Xenonlampe enthalten (Exceliatas, Tampa, FL). , USA). Das Licht wird einem akusto-optischen abstimmbaren Filter mit einer Schaltgeschwindigkeit von 50 μs, einer Bandbreite von 3 nm und einem Spektralbereich von 450–700 nm zugeführt (Gooch und Housego, UK). Das Licht gelangt durch Objektivlinsen (Nikon, Melville, NY, USA), die an einem automatisierten Objektivrevolver befestigt sind, und auf eine Probe, die mit einem Nanomotion-Piezotisch (Prior Scientific, Rockland, MA, USA) positioniert wird. Die Daten werden mit einer digitalen CMOS-Kamera, ORCA Flash 2.8 (Hamamatsu, Bridgewater, NJ, USA) aufgezeichnet und ermöglichen so eine hyperspektrale Bildgebung. Ein hoher Durchsatz und eine automatisierte csPWS-Erfassung werden durch die Verwendung der Kohler-Beleuchtung für eine gleichmäßige Probenbeleuchtung erreicht. Wir verwenden eine Hochgeschwindigkeits-RGB-Kamera mit hoher Auflösung (Thorlabs Inc., Newton, NJ, USA) für die Diakartierung mit geringer Vergrößerung (UPlanFL N 10x, Olympus). Die Integration einer Hochgeschwindigkeitskamera mit einem erweiterten Probentisch beschleunigte das csPWS-Datenerfassungsverfahren erheblich. Wir haben die Wirksamkeit durch die Entwicklung einer maßgeschneiderten Software (MATLAB, Mathworks, Inc) weiter gesteigert. Diese Software führt eine schnelle Objektträgerkartierung bei geringer Vergrößerung durch (UPlanFL N 10x, Olympus), gefolgt von einer präzisen Autofokussierung auf einzelne Zellen und einer automatischen zeitnahen Erfassung spektral aufgelöster Daten aus dem gesamten Zellkern von über 30 Zellen. Der Arbeitsablauf der csPWS-Nanozytologie ist in Abb. 1c dargestellt. Ein wesentlicher Fortschritt von csPWS liegt in der Nutzung mathematischer Modelle zur Schätzung der Konformation der Chromatin-Packungsdomäne, was durch Simulationen und experimentelle Ergebnisse bestätigt wurde43.

Herkömmliche Mikroskopiesysteme sind nicht in der Lage, Strukturen kleiner als 200 nm (halbe Wellenlänge des Lichts) aufzulösen. Unser Labor hat csPWS entwickelt, einen optisch-statistischen spektroskopischen Nanosensor-Ansatz zur Erkennung von Veränderungen der Chromatin-Packungsdomäne im Kern der Mundschleimhaut, um histologisch normale Wangenzellen zu unterscheiden, die möglicherweise eine Krebssignatur tragen. csPWS ist so konfiguriert, dass ein räumlich variierendes RI-Material, wie der Kern von Wangenzellen, zwischen zwei halbendlichen homogenen Medien aus Glas und 95 % Ethanol eingeschlossen ist. csPWS erfasst eine hohe Vergrößerung monochromatischer, spektral aufgelöster Bilder zwischen Wellenlängen von 450–700 nm und unterscheidet nicht auflösbare subbeugungsmäßige Längenskalen durch die spektroskopische Analyse von Streulicht. Für einen gegebenen Ort r innerhalb einer Zelle ist der lokale RI proportional zur lokalen makromolekularen Dichte (ρ) von Proteinen, DNA und RNA, wie in Gleichung (1) gezeigt. (1)45,46.

wobei α das RI-Inkrement ist, das im Rahmen der Messgenauigkeit nahezu unabhängig von der makromolekularen chemischen Zusammensetzung ist. csPWS verwendet Flüssigkeitsabdeckungsmikroskopie, um den RI zwischen der bukkalen Zelle und der Flüssigkeitsabdeckung nahezu anzupassen (dargestellt in Abb. 1a), während gleichzeitig eine Nichtübereinstimmung zwischen der Zell-Glas-Grenzfläche entsteht. Somit wird die Streuung des Lichts einer Referenzwelle durch die nanoskalige Heterogenität und Dichtevariation der intrazellulären Makromoleküle beeinflusst. Die Anpassung des RI zwischen der bukkalen Zelle und der Flüssigkeitsabdeckung minimiert den Beitrag der Zelloberflächenrauheit zum csPWS-Signal und maximiert gleichzeitig den Beitrag des Signals, das aus interzellulären Strukturveränderungen resultiert.

Um die 3D-RI-Schwankung des schwach streuenden bukkalen Kerns zu quantifizieren, berechnet csPWS die Standardabweichung der Interferenzspektren (Σ), die sich aus der Interferenz der von der Zell-Glas-Grenzfläche reflektierten Referenzwelle und des von allen räumlichen Variationen des RI aufgrund der Streuung gestreuten Lichts ergibt zu nanoskaligen Variationen der Chromatindichte innerhalb des Kohärenzvolumens, das durch Beugung in der Transversalebene (458 × 458 nm2, Abbe-Formel) und der Schärfentiefe47 (2874 nm) in Längsrichtung gebildet wird33,43. Σ ist proportional zur Fourier-Transformation der Autokorrelationsfunktion (ACF) von ρ(r), integriert über die Fourier-Transformation des Kohärenzvolumens. Jeder csPWS-Bildstapel wird durch die Referenzwelle normalisiert, die an der Schnittstelle zwischen Glas und Abdeckmedium aus einem leeren Bereich auf dem Objektträger erfasst wird. Angesichts der Instrumentierungsparameter im Zusammenhang mit der Lichtbeleuchtung und der Sammelgeometrie haben wir den Packungsskalierungs-D-Wert aus Σ geschätzt, indem wir den in 43 bereitgestellten analytischen Rahmen zur Quantifizierung der Chromatinstruktur mit Spektralmikroskopie verwendet haben. Das von csPWS gemessene Σ-Signal ist proportional zur Massendichteverteilung von Chromatin (B(r), wobei r die räumliche Trennung ist), gefaltet mit einer Glättungsfunktion S(r), die durch den Aufbau des optischen Systems gekennzeichnet ist. Die Auswertung der Chromatin-Transmissionselektronenmikroskopie mit ChromEM-Markierungsdaten (ChromTEM) in Zellen des Lungenadenokarzinoms A549 und differenzierten BJ-Zellen führte uns zur Modellierung der Chromatin-Massendichteverteilung durch eine modifizierte Potenzgesetz-Autokorrelationsfunktion, die durch den Modellparameter Db43 gesteuert wird. Die Born-Näherung wurde verwendet, um die Glättungsfunktion S(r) basierend auf der numerischen Apertur des Mikroskops, dem Quellenspektrum und den Eigenschaften der Zellprobe wie der numerischen Apertur der Lichtbeleuchtung/-sammlung, der Schärfentiefe und der Zelldicke sowie den Vorwärts- und Rückwärts-Fresnel-Transmissions- und Reflexionskoeffizienten zu beschreiben die Zell/Glas-Grenzfläche, RI der Medien, Dichte von Chromatin und makromolekularem Crowding, CVC und genomische Länge43. Mithilfe der Laplace-Transformation innerhalb des fraktalen Regimes konnten wir den Modellparameter Db für einen gegebenen Sigma-Wert erhalten, der uns zur Berechnung der Massendichte ACF führte. Die Packungsskalierung D wurde aus der Ableitung der Massendichte-ACF-Funktion basierend auf Gl. berechnet. (2)43.

Die Genauigkeit dieses Ansatzes wurde durch Vergleich mit Messungen des durchschnittlichen D durch ChromTEM und einem rechnerischen Chromatinmodell unter Verwendung von Finite-Differenzen-Zeitbereichssimulationen (FDTD) bestätigt43. Die Empfindlichkeit der csPWS-Längenskala hängt von der Beleuchtungs-Sammelgeometrie ab. Für csPWS verwendeten wir eine kleine bis mittlere numerische Apertur (NA) für den Lichteinfall von 0,6 und eine Lichtsammel-NA von 0,8. Diese Beleuchtungseinstellung sorgt aufgrund der Köhler-Ausrichtung48 für eine gleichmäßige Intensität über die gesamte Probenebene und liefert eine Chromatin-Längenskalenempfindlichkeit von 23–334 nm (der genaue Wert hängt von der Probenstruktur und -dicke ab)36,49. Die größeren Längenskalen haben einen vernachlässigbaren Einfluss auf das csPWS-Ausgangssignal45,50. Elektronenmikroskopische Daten haben ergeben, dass sich die Strukturen des bukkalen Chromatins in diesem Längenskalenbereich deutlich verändert haben51. Daher reagiert die csPWS-Nanozytologie in erster Linie auf Längenskalen, die mit der herkömmlichen optischen Mikroskopie nicht auflösbar sind, aber eine tiefgreifende Signatur der Feldkarzinogenese tragen.

Wir haben KI mit csPWS-Daten verwendet, um zu bestimmen, ob es möglich ist, die Feldkarzinogenese der Mundschleimhaut bei Patienten mit Lungenkrebs zu erkennen und Veränderungen in den Packungsdomänen des bukkalen Chromatins zu unterscheiden, die auf Tumorentstehung und -progression hinweisen. Unser KI-gestützter Ansatz bestand aus Kernsegmentierung, Vorverarbeitung, Feature-Learning und Klassifizierung von csPWS-Bildern, wie in Abb. 2 dargestellt. In dieser Studie wurden fast 7000 bukkale csPWS-D-Bilder (960 × 720 Pixel) von 179 Patienten ausgewertet. Die Kernsegmentierung wurde von einem geschulten Benutzer durchgeführt, der für die diagnostischen Informationen blind war, und Ausreißerzellen mit deformierten Formen wurden ausgeschlossen. Der geschulte Benutzer verlässt sich auf Bildmerkmale, um den interessierenden Bereich, also den gesamten Zellkern, zu erkennen, indem er den Kontrast zwischen der Kerngrenze und dem Zytoplasma auswertet. Darüber hinaus haben Kerne typischerweise charakteristische Formen, wie etwa rund oder elliptisch, und charakteristische Texturen wie die des Zytoplasmas, die dem Benutzer zusätzlich dabei helfen, die intakte Grenze des gesamten Kerns zu lokalisieren. Als nächstes wurde die Größe der Kernbilder geändert und in unserem Vorverarbeitungsunterabschnitt die Min-Max-Normalisierung durchlaufen. Wir haben einen vorab trainierten Deep-Learning-Algorithmus verwendet, um charakteristische Merkmale aus dem D-Bild zu extrahieren und gleichzeitig die diagnostischen Merkmale mithilfe einer überwachten Merkmalsauswahlmethode zu identifizieren. Für die Feature-Extraktionseinheit haben wir Transferlernen auf der VGG16-Architektur integriert, einem Faltungs-Neuronalen Netzwerk (CNN), das auf 14 Millionen Bildern vorab trainiert wurde, die zu 1000 verschiedenen Labels aus dem ImageNet-Datensatz gehören. Aus den 13 Faltungsschichten und fünf Max-Pooling-Schichten des VGG16-Modells haben wir in den Blöcken 2 bis 5 Merkmale aus den letzten Faltungsschichten extrahiert. Zur Erstellung wurden der Mittelwert und die Standardabweichung der abgeflachten Merkmale über alle zu einem Patienten gehörenden Zellen berechnet ein Merkmalsvektor. Wir verwendeten eine MIL-Methode (Multiple Instance Learning) zur Merkmalsaggregation auf Instanzebene, die die Verwendung klinischer Grundwahrheiten auf Patientenebene erleichterte. MIL ermöglicht eine nahtlose Prozessintegration für Pathologen52 und wurde aus diesem Grund in unserem Ansatz verwendet. Um die Dimension des Patientenmerkmals weiter zu reduzieren, führten wir eine rekursive Merkmalseliminierungsmethode unter Verwendung eines Random-Forest-Algorithmus durch und wählten so eine Gruppe von 40 Merkmalen mit verbesserten Klassifizierungseigenschaften aus. Wir verwendeten einen Parameter-abgestimmten Random-Forest-Klassifikator, um Patienten mit Lungenkrebs aus den Kontrollpopulationen zu bestimmen, indem wir eine patientenbezogene Analyse der von CNN erhaltenen diagnostischen Merkmale verwendeten. Die Abstimmung des Klassifikatormodells auf optimale Parameter erfolgte mithilfe einer Rastersuche durch Durchsuchen von Iterationen mehrerer Konfigurationen, von denen die Modellkonfiguration mit minimalem Fehler für unseren Datensatz zur Klassifizierung verwendet wurde. Für eine fundierte Bewertung der Modellleistung auf unserem relativ kleinen Datensatz haben wir unsere Metriken AUC, Sensitivität und Spezifität mithilfe einer geschichteten vierfachen Kreuzvalidierungsmethode mit 5 Iterationen berechnet.

Arbeitsablauf und Architektur der Schritte zur Merkmalsextraktion und -klassifizierung.

Wir analysierten zunächst csPWS-D-Bilder von klinischen Mundproben in einer doppelblinden Fall-Kontroll-Studie am klinischen Standort 1. Die meisten Patienten, bei denen an diesem Standort Lungenkrebs diagnostiziert wurde, befanden sich im Stadium I: 26 der 42 (62 %). Der Anteil weiblicher Patienten mit Lungenkrebs betrug 56 %, und 80 % der Probanden waren Kaukasier. Wir haben die durchschnittliche Packungsskalierung D charakterisiert und den Einfluss demografischer Variablen und der Rauchergeschichte sowie den Zusammenhang mit dem Lungenkrebsstadium bewertet. csPWS-D-Bilder von acht histologisch normalen bukkalen Zellen (bestätigt durch Hellfeldbild) zeigen eine interzelluläre Domänenvariation und einen Gesamtanstieg von D in Zellen von Patienten mit Lungenkrebs im Vergleich zu einer rauchenden Kontrollgruppe (Abb. 3).

Hellfeldbild (erstes) der D-Bildverteilung (zweite und dritte) in acht Zellen von einem Kontrollpatienten (links) mit niedrigerem D und von einem Patienten mit Lungenkrebs (rechts) mit höherem D. Kern-D-Domänen sind rot hervorgehoben.

Das Geigendiagramm in Abb. 4a zeigt die Verteilung des Kerndurchschnitts D (normalisiert durch die Kontrolle) und deutet auf einen insgesamt höheren Packungsskalierungs-D-Wert für Patienten mit Lungenkrebs im Vergleich zur Kontrollpopulation hin. Die Patientendaten einschließlich Alter, Packungsjahre (PKY) des Rauchens, Geschlecht und Rasse sowie deren Zusammenhang mit dem durchschnittlichen D wurden mit dem Signifikanzkriterium des p-Werts unter Verwendung von ANCOVA bewertet (siehe Tabelle 1).

(a) Violindiagramme zeigten den Populationsbereich und die Verteilung von normalisiertem D in der Kontrollpopulation (n = 40) und der Fallpopulation (n = 42). (b) Die lineare Regressionsanalyse bewertete den Einfluss demografischer Faktoren auf die durchschnittliche Packungsskalierung D mit der Kontrollpopulation und der Fallpopulation.

ANCOVA zeigte keine statistisch signifikante Beziehung zwischen Geschlecht, Rasse und Raucherjahr mit der durchschnittlichen Packungsskalierung D, aber das Alter zeigte eine leicht negative Korrelation mit einer statistisch signifikanten Beziehung. Wir zeigen Streudiagramme von Patienten mit bekannter Bevölkerungsgruppe in Abb. 4. Die leichte Steigung von –0,006 in der Regressionslinie für die Kontrollpopulation in Abb. 4 deutete auf einen minimalen Einfluss des zunehmenden Alters auf den durchschnittlichen D hin, wobei die Änderung von D für Die Alterung im Alter von 20 Jahren beträgt weniger als 18 % des D-Unterschieds zwischen der Fall- und der Kontrollpopulation. Die Anwendung einer Altersanpassung bestätigte einen minimalen Einfluss auf die diagnostische Leistung des durchschnittlichen bukkalen D zur Erkennung von Lungenkrebs, mit einem vernachlässigbaren Anstieg der AUC von 0,76 auf 0,77 (Ergänzungsmaterial). Unsere in Abb. 4b gezeigten Regressionslinien zeigten eine vernachlässigbare Steigung zwischen den Geschlechtern sowohl in der Kontrollgruppe (0,005) als auch in der Fallpopulation (-0,027). In ähnlicher Weise wurden triviale Steigungen von 0,002 und – 0,001 für verschiedene Rassen in Kontroll- bzw. Fallpopulationen identifiziert. Dies deutet darauf hin, dass Geschlecht und Rasse keinen Einfluss auf die Diagnosefähigkeit haben. Das Rauchen im Packungsjahr zeigte bei der Kontroll- und Fallpopulation eine bemerkenswert geringe Steigung von 9 × 10–5 und – 4 × 10–4.

Wir untersuchten außerdem die möglichen Auswirkungen von intensivem und längerem Rauchen auf D. Abbildung 5 zeigt die Verteilung von bukkalem D bei Personen mit geringem Rauchrisiko (Packjahr < 20 Jahre, typischerweise nicht für LDCT-Screening geeignet) und hohem Rauchrisiko (Packjahr). ≥ 20 Jahre, Anspruch auf LDCT-Screening). Bemerkenswert ist, dass Patienten mit Lungenkrebs sowohl in der LDCT-geeigneten als auch in der nicht-geeigneten Population einen höheren D-Wert aufwiesen als die Kontrollpopulation, wobei der Anstieg des D-Werts bei Lungenkrebspatienten den vernachlässigbaren Effekt von intensivem, längerem Rauchen in den Schatten stellte. (\(\Delta D\) für 20 Packungsjahre < 20 % \({\Delta D}_{Krebskontrolle}\)). Dieser Befund lässt darauf schließen, dass der durchschnittliche bukkale D bei Patienten mit Lungenkrebs sowohl bei Patienten mit geringer Intensität, die für die LDCT nicht in Frage kommen, als auch bei Patienten, die mit hoher Intensität rauchen und für die LDCT nicht in Frage kommen, erhöht ist, unabhängig von der Raucheranamnese.

Populationsbereich und Verteilung des normalisierten D unter Patienten mit bekanntem Raucherjahr. Der normalisierte D stieg bei Krebspatienten (n = 14) im Vergleich zur Kontrollpopulation (n = 7) bei Niedrigrisikorauchern mit PKY < 20 Jahren an (p-Wert = 0,001). In ähnlicher Weise erhöhte sich der normalisierte D bei Krebspatienten (n = 20) im Vergleich zur Kontrollpopulation (n = 20) bei Hochrisikorauchern mit einem Packungsjahr ≥ 20 Jahren (p-Wert = 0,017).

Die KI-gestützte csPWS-Nanozytologie wurde entwickelt, um die Packungsdomänendaten der Nucleus-Buccalschleimhaut für die Erkennung von Lungenkrebs im Stadium I zu optimieren. Wir bewerteten die Leistung der KI-gestützten csPWS-Nanozytologiemethode anhand der Daten von Standort 1 und beobachteten signifikante Verbesserungen der diagnostischen Leistung, wie durch die AUC im Vergleich zum Nicht-KI-Protokoll mit nuklearem Durchschnittswert D gezeigt. Die ROC-Kurve von AI-verstärktem D zeigte eine deutlich höhere AUC von 0,9 im Vergleich zu einer AUC von 0,76 für durchschnittliches nukleares D (Abb. 6a).

(a) ROC-Kurve für AI-verstärktes csPWS (in durchgehendem Schwarz) im Vergleich zum durchschnittlichen Kern D in gestricheltem Grau (42 Fälle, 40 Kontrollen). (b) Vergleich der anhand der AUC ermittelten diagnostischen Leistung von AI-verstärktem D im Vergleich zum Kerndurchschnitt D für Lungenkrebs im Frühstadium und im gesamten Stadium.

Ein ähnlicher Trend wurde bei der Erkennung von Lungenkrebs im Frühstadium (Stadium I oder Stadium I und II) beobachtet, wo die KI-gestützte csPWS-Nanozytologie eine deutlich höhere AUC zeigte als die Methode, die auf der Berechnung eines durchschnittlichen nuklearen D ( Abb. 6b).

Wir führten eine Bewertung der KI-gestützten bukkalen D-Leistung anhand von Proben durch, die von Standort 2 außerhalb des Bundesstaates (BMC, Boston, MA) entnommen wurden. Die Patientendaten sind in Tabelle 2 dargestellt. Die meisten Patienten mit Lungenkrebs befanden sich im Stadium I: 41 von 54 (76 %), darunter 12 % im Stadium IA. Auch der Anteil weiblicher Patienten (71 %) und Minderheiten (51 %) in der Krebspopulation erhöhte sich. ANCOVA zeigte keine signifikanten Auswirkungen auf das bukkale D in Bezug auf Alter, Packungsjahre des Rauchens, Geschlecht oder Rasse (p > 0,24).

Tabelle 3 zeigt, dass das AI-verstärkte bukkale csPWS alle Stadien von Lungenkrebs, einschließlich der Patienten mit Lungenkrebs im Stadium I, von der Kontrollpopulation mit einer robusten AUC von 0,82 ± 0,09 (Se = 78 %, Sp = 87 %) unterschied.

Aus klinischer Sicht ist die Früherkennung von Lungenkrebs entscheidend für die Verbesserung der Patientenergebnisse. Bedauerlicherweise weisen bestehende Strategien, wie das Screening von Hochrisikorauchern mittels LDCT, Mängel auf. Dazu gehören mangelnde Aufnahme (schätzungsweise ~ 5 %), falsch positive Ergebnisse usw.53. Dies hat den Anstoß für andere Ansätze gegeben, insbesondere für blutbasierte Biomarker, einschließlich epigenetischer (microRNA und Methylierung) und Proteine, die von Tumorzellen ins Blut sezerniert werden54. Obwohl Tumor-sekretierte Biomarker hervorragend für größere Tumoren geeignet sind, haben sie Nachteile, wenn sie auf frühere Läsionen angewendet werden. Dies könnte mit einer geringeren Sekretion von Tumorbiomarkern bei kleinen (heilbaren) Tumoren im Frühstadium zusammenhängen. Darüber hinaus sind insbesondere bei mutationsbedingten oder genomischen Biomarkern die erhebliche Tumorheterogenität und Mutationen im späteren Stadium bei kleinen Tumorläsionen möglicherweise nicht in hohem Maße vorhanden. Die KI-gestützten Technologien, die Hunderte von Biomarkern bewerten und einige Erfolge erzielen, stehen vor Herausforderungen, da die meisten dieser Biomarker von kleinen Tumoren im Frühstadium nicht in ausreichender Menge produziert werden. Daher neigt der Einsatz von Techniken, die auf Tumorsekreten ins Blut als Biomarkerquelle basieren, dazu, dass die Empfindlichkeit gegenüber kleinen neoplastischen Läsionen abnimmt, die diagnostisch gesehen von größtem Interesse sind12,55,56. Aus diesem Grund suchte unser Team nach alternativen Ansätzen zur Lungenkrebs-Früherkennung.

Es gibt zunehmend Belege für die Karzinogenese im Lungenfeld mit mehreren genetischen, epigenetischen, metabolomischen und transkriptionellen Veränderungen, die in der gesamten Luft- und Verdauungsschleimhaut bei Patienten mit Lungenkrebs gefunden werden15,19,20,21,22,23,57,58,59. 60. Dies deutet darauf hin, dass Patienten, die genetisch „programmiert“ sind, eine proneoplastische Reaktion auf ein Karzinogen wie Rauchen zeigen (nur etwa 10–20 % der starken Raucher entwickeln Lungenkrebs). Insbesondere eine Vielzahl genetischer/epigenetischer Veränderungen in der Mundschleimhaut stimmen mit denen bei Lungenkrebs überein16,17,23,58,61,62.

Die Chromatinstruktur dient als Substrat, das die genetischen/epigenetischen Veränderungen ermöglicht, die zu Neoplasien führen, und kann daher mit der richtigen Technologie als Prädiktor für Krebs in histologisch normalen Zellen verwendet werden, noch bevor die Tumorbildung einsetzt. Zytometrische Messungen63 und aktuelle spektroskopische Studien18,19 haben auf strukturelle Veränderungen und Feldkanzerisierung in der Mundhöhle von Patienten mit Lungenkrebs hingewiesen. Die elektronenmikroskopische Bildanalyse ergab Veränderungen in der bukkalen Chromatinpackung auf einer Längenskala zwischen 80 und 200 nm51, was ein tiefgreifendes und signifikantes Merkmal der Feldkanzerisierung darstellt. Chromatin ist in mehreren Packungsdomänen mit einem durchschnittlichen Durchmesser von 160 nm organisiert, was ein längenskaleninvariantes Packungsskalierungsverhalten zeigt44. Genauer gesagt ist der physikalische Deskriptor der Packungsskalierung D ein statistischer Marker der Chromatinkonformation, der nachweislich ein Prädiktor für die Transkriptionsplastizität ist und mit der Überlebenschance bei Krebspatienten korreliert26,30,33,44. Wir stellten die Hypothese auf, dass die Kombination aus Feldkarzinogenese als Biomarkerquelle und Veränderungen in der Konformation der Chromatindomäne als Biomarkertyp zur Entwicklung einer neuen Lungenkrebs-Screening-Methode genutzt werden kann, die die transkriptionelle Plastizität fördernde Veränderung der Chromatindomäne untersucht. Da die Tumorentstehung auf diesem fruchtbaren epigenetischen Feld stattfindet, sollten seine Biomarker unabhängig von der Tumorgröße auf Lungenkrebs hinweisen.

Wir haben die csPWS-Nanozytologie entwickelt und KI genutzt, um die Kombination aus Biomarkerquelle und -typ durch den Einsatz von Feldkarzinogenese zu optimieren. Die Konformation der bukkalen Chromatin-Packungsdomäne (d. h. die Kartierung der Chromatin-Packungsskalierung D über Zellkerne) in Zellen, die aus dem bukkalen Epithel entnommen wurden, wurde mithilfe einer KI-gestützten Analyse der intranukleären Bilder von D bewertet. Faltungs- und Max-Pooling-Schichten von VGG16 wurden darauf trainiert ein umfangreicher ImageNet-Datensatz, der erfolgreich charakteristische Merkmale aus den D-Bildern erfasst. Insbesondere erfassen die frühen Faltungsschichten Merkmale lokaler Muster auf niedriger Ebene im D-Bild, während sich die mittleren und höheren Schichten mehr auf spezifische und komplexe Strukturen im globalen Kontext konzentrieren. Wir haben eine Teilmenge von Merkmalen ermittelt, die aus den letzten Faltungsschichten der Blöcke 2 bis 5 extrahiert wurden und wertvolle diagnostische Informationen aus D-Bildern enthalten, und diese zur Erkennung von Lungenkrebs eingesetzt. Unsere KI-gestützten Biomarker werden mit Schichten entwickelt, die durch mechanistisch gesteuerte Veränderungen der Chromatinstruktur informiert sind, und bieten Vorteile gegenüber herkömmlichen Methoden zur Entdeckung von Biomarkern wie (1) Einzelhypothesen-gesteuerten Biomarkern und (2) den KI-gestützten „Black-Box“-Ansätzen. Ein einzelner hypothesengesteuerter Biomarker-Ansatz kann die Komplexität biologischer Wechselwirkungen nicht vollständig erfassen, während der „Black-Box“-Ansatz aufgrund fehlender mechanistischer Begründung keine genaue Diagnose in einer begrenzten Stichprobengröße liefern kann. In dieser Arbeit haben wir die beiden Ansätze miteinander verbunden und gleichzeitig ihre Stärken genutzt und ihre Schwächen für die Erkennung von Lungenkrebs im Frühstadium gemildert. Aus diesem Grund zeigte unsere KI-gestützte csPWS-Mikroskopie eine deutlich höhere diagnostische Leistung (AUC = 0,92) für die Erkennung von Lungenkrebs im Stadium I im Vergleich zur univariaten Beurteilung des bukkalen Kern-D (AUC = 0,75).

Um die Genauigkeit unseres Ansatzes zu testen, haben wir diese Studie speziell aus zwei unterschiedlichen demografischen und logistischen Merkmalen für die Entdeckungs- (Standort 1) und Validierungsdatensätze (Standort 2) erstellt. Der Entdeckungsdatensatz stammte von einem wohlhabenderen Standort und erforderte auch einen lokalen Transport zum Ort der Probenanalyse, während es sich beim Validierungsdatensatz um ein Sicherheitsnetzkrankenhaus mit Armut und viel größeren Anteilen afroamerikanischer und hispanischer Patienten handelte. Standort 2 befand sich fast 2.000 Meilen vom Analysezentrum entfernt, was die Wahrscheinlichkeit eines Chromatinabbaus während des Transports ins Ausland erhöht. Wichtig ist, dass der Validierungssatz eine vernünftige Annäherung darstellte, die die Robustheit der csPWS-Nanozytologie unterstützte. Die KI-gestützte csPWS-Nanozytologie zeigte eine hohe diagnostische Leistung für die Erkennung von Lungenkrebs im Stadium I in den Proben an Standort 1 (AUC = 0,92, Se = 92 %, Sp = 89 %) und an Standort 2 (AUC = 0,82, Se =). 78 %, Sp = 83 %). Dies zeigt eine deutliche Verbesserung gegenüber den aktuellen Stand der Technik (Se < 25 % bei Lungenkrebs im Stadium I)13,55. Zusätzlich zur hohen Empfindlichkeit gegenüber kleinen Läsionen und Lungenkrebs im Stadium I war die diagnostische Leistung unabhängig von der Tumorgröße und behielt ihre robuste Empfindlichkeit für die Stadien II, III und IV bei. Diese hohe Empfindlichkeit gegenüber Lungenkrebs im Früh- und Spätstadium ist möglicherweise auf die Feldkarzinogenese und unser Design der Biomarkerquelle (Mundschleimhaut) und des Biomarkertyps (Chromatinstruktur) zurückzuführen.

Die Leistung der KI-gestützten csPWS-Nanozytologie, insbesondere bei Erkrankungen im Stadium I, lässt darauf schließen, dass sie möglicherweise eine zukünftige Rolle in der Klinik spielen könnte. csPWS scheint aktuelle Bluttests für die Früherkennung von Lungenkrebs zu übertreffen, und obwohl die LDCT eine angemessene Reduzierung der Lungenkrebssterblichkeit um 20–25 % gezeigt hat, ist ihre Wirksamkeit durch die Tatsache begrenzt, dass sich nur etwa 5 % der berechtigten Bevölkerung einer LDCT unterziehen Screening3. Aufgrund der Unterberichterstattung über Packungsjahre, der Nichteinhaltung der LDCT und der schnell steigenden Lungenkrebsraten bei Nichtrauchern (wahrscheinlich aufgrund der Exposition gegenüber Radongas, Luftverschmutzung usw.) sowie bei Rauchern, die mit dem Rauchen aufgehört haben oder aus zweiter Hand Ein erheblicher Teil der Todesfälle durch Lungenkrebs tritt mittlerweile bei Patienten auf, die nicht einmal die Kriterien für ein LDCT-Screening erfüllen würden53. Bei Patienten, die sich einem LDCT-Screening unterziehen, werden die Vorteile häufig durch Schäden durch Zufallsbefunde (gutartige Läsionen, die wie Lungenkrebsimitate wirken und zu unnötigen und kostspieligen Tests führen, Komplikationen bei invasiven Eingriffen und Patientenangst usw.) zunichte gemacht.53,64,65,66) . Tatsächlich betrug bei der LDCT die Zahl der Patienten, die untersucht werden mussten, um einen Todesfall zu verhindern, im Vergleich zu der Zahl, die nötig war, um einen Schaden zu verursachen, jeweils 1 von 130 bzw. 1 von 5967. Darüber hinaus war eine Überdiagnose (Erkennung träger und daher klinisch unbedeutender Erkrankungen) problematisch, insbesondere bei den häufig vorkommenden „Milchglasläsionen“, bei denen Patienten chirurgischen Behandlungen ausgesetzt waren, die die Lebenserwartung nicht verbesserten. Die Risikostratifizierung (Anreicherung der LDCT-Population für Lungenkrebs) erfreut sich zunehmender Beliebtheit. Es wurden demografische Ansätze wie der PLCO-Algorithmus verwendet54, es besteht jedoch zunehmende Besorgnis über die Inzidenz von Lungenkrebs bei Personen ohne traditionelle Risikofaktoren. Daher könnte bukkales csPWS ein überzeugender alternativer Ansatz sein.

Unsere Studie hatte einige Einschränkungen. Diese klinische Studie verwendete ein Fall-Kontroll-Design mit einer begrenzten Anzahl von Patienten. Während die Studie zeigt, dass unsere KI-gestützte Nanosensortechnologie ein vielversprechender Ansatz für die Früherkennung von Lungenkrebs sein kann, besteht Bedarf an weiteren klinischen Daten. Zukünftige Arbeiten werden auf dieser Studie aufbauen und eine groß angelegte Analyse umfassen, um das im Manuskript entwickelte KI-Modell weiterzuentwickeln. Da die meisten Patienten in dieser Studie in der Vergangenheit geraucht haben, werden zukünftige Studien unsere Ergebnisse mit einer beträchtlichen Nichtraucherpopulation validieren. Darüber hinaus gibt es einige verwirrende Variablen, die in zukünftigen Arbeiten weiter untersucht werden. Beispielsweise ist der mögliche Einfluss des Transports auf den Chromatinabbau unbekannt und muss in weiteren Studien ermittelt werden. Ebenso ist der Beitrag neoplastischer Signale aus verschiedenen Schichten der Mundschleimhaut nicht bekannt, und die genaue komplexe Organisation der Packungsdomänen ist Gegenstand laufender Forschung. Dies deutet darauf hin, dass weitere Optimierungen zu einer verbesserten Diagnostik führen können.

Zusammenfassend bestätigen unsere klinischen Daten die Notwendigkeit, die Kombination von Biomarkerquelle und -typ sowie deren Auswahl (Feldkarzinogenese und Chromatinveränderung) zu optimieren. Unsere Daten zeigten, dass bukkales csPWS in der Lage war, Lungenkrebs im Frühstadium mit ausgezeichneter Genauigkeit zu identifizieren und damit andere angeblich minimalinvasive Tests für screeningrelevante Neoplasien übertraf. Die csPWS-SOP ist mit einer einfachen Entnahme eines Mundschleimhautabstrichs zu Hause oder beim Hausarzt oder in der Zahnarztpraxis kompatibel, der dann zur Analyse an ein zentrales Labor geschickt werden kann. Diese Strategie hat das Potenzial, die Zugänglichkeit und Akzeptanz von Screenings deutlich zu verbessern und die Ergebnisse zu verbessern. Der erfolgreiche Einsatz des Feldkarzinogenese-/Chromatin-Packungs-Skalierungs-D/AI-verstärkten csPWS-Paradigmas als Screening-Strategie für Lungenkrebs in der klinischen Praxis könnte möglicherweise das hochempfindliche Screening eines viel größeren Teils der asymptomatischen Risikogruppe oder des durchschnittlichen Risikos ermöglichen Bevölkerung, was zu einer besseren Erkennung von Krebs im Frühstadium, einer verbesserten Sterblichkeit und weniger falsch positiven Ergebnissen und unnötigen Eingriffen führt.

Die während der Studie generierten und/oder analysierten Rohdatensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

SEHER. Jahresbericht an die Nation 2022: Gesamtkrebsstatistik, https://seer.cancer.gov/index.html (2022).

Cerfolio, RJ & Bryant, AS Überleben von Patienten mit echtem pathologischem nicht-kleinzelligem Lungenkrebs im Stadium I. Ann. Thorak. Surg. 88, 917–922. https://doi.org/10.1016/j.athoracsur.2009.05.040 (2009) (Diskussion 922–913).

Artikel PubMed Google Scholar

Fedewa, SA et al. Staatliche Variation beim Niedrigdosis-Computertomographie-Scannen zur Lungenkrebs-Vorsorgeuntersuchung in den Vereinigten Staaten. J. Natl. Krebsinst. 113, 1044–1052. https://doi.org/10.1093/jnci/djaa170 (2021).

Artikel PubMed Google Scholar

SEHER. Krebs der Lunge und der Bronchien – Fakten zu Krebsstatistiken, SEER.,

Bach, PB, Silvestri, GA, Hanger, M. & Jett, JR Screening auf Lungenkrebs: ACCP evidenzbasierte Leitlinien für die klinische Praxis (2. Auflage). Brustumfang 132(3), 69S-77S. https://doi.org/10.1378/chest.07-1349 (2007).

Artikel PubMed Google Scholar

Duffy, MJ, Diamandis, EP & Crown, J. Zirkulierende Tumor-DNA (ctDNA) als Pan-Krebs-Screening-Test: Ist es endlich in Sicht? Klin. Chem. Labor. Med. (CCLM) https://doi.org/10.1515/cclm-2021-0171 (2021).

Artikel PubMed Google Scholar

Phallen, J. et al. Direkter Nachweis von Krebserkrankungen im Frühstadium mithilfe zirkulierender Tumor-DNA. Wissenschaft. Übers. Med. https://doi.org/10.1126/scitranslmed.aan2415 (2017).

Artikel PubMed PubMed Central Google Scholar

Cohen, JD et al. Erkennung und Lokalisierung chirurgisch resektabler Krebsarten mit einem Multianalyt-Bluttest. Wissenschaft 359, 926–930. https://doi.org/10.1126/science.aar3247 (2018).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Shen, SY, Burgener, JM, Bratman, SV & De Carvalho, DD Vorbereitung von cfMeDIP-seq-Bibliotheken für die Methylomprofilierung von plasmazellfreier DNA. Nat. Protokoll. 14, 2749–2780. https://doi.org/10.1038/s41596-019-0202-2 (2019).

Artikel CAS PubMed Google Scholar

Chen, X. et al. Nicht-invasive Krebsfrüherkennung vier Jahre vor der konventionellen Diagnose mittels Blutuntersuchung. Nat. Komm. 11, 3475. https://doi.org/10.1038/s41467-020-17316-z (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Cristiano, S. et al. Genomweite zellfreie DNA-Fragmentierung bei Krebspatienten. Natur 570, 385–389. https://doi.org/10.1038/s41586-019-1272-6 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Fiala, C. & Diamandis, EP Nutzen zirkulierender Tumor-DNA in der Krebsdiagnostik mit Schwerpunkt auf Früherkennung. BMC Med. https://doi.org/10.1186/s12916-018-1157-9 (2018).

Artikel PubMed PubMed Central Google Scholar

Klein, EA et al. Klinische Validierung eines gezielten, auf Methylierung basierenden Früherkennungstests für mehrere Krebsarten unter Verwendung eines unabhängigen Validierungssatzes. Ann. Onkol. 32, 1167–1177. https://doi.org/10.1016/j.annonc.2021.05.806 (2021).

Artikel CAS PubMed Google Scholar

Vansteenkiste, J., Dooms, C., Mascaux, C. & Nackaerts, K. Screening und Früherkennung von Lungenkrebs. Ann. Onkol. 23 (Suppl 10), x320-327. https://doi.org/10.1093/annonc/mds303 (2012).

Artikel PubMed Google Scholar

Danely, P., Slaughter, MD, Southwick, HW & Smejkal, W. „Feldkanzerisierung“ im oralen geschichteten Plattenepithel. Klinische Implikationen multizentrischen Ursprungs. Krebs 6, 963–968. https://doi.org/10.1002/1097-0142(195309)6:5%3c963::AID-CNCR2820060515%3e3.0.CO;2-Q (1953).

3.0.CO;2-Q" data-track-action="article reference" href="https://doi.org/10.1002%2F1097-0142%28195309%296%3A5%3C963%3A%3AAID-CNCR2820060515%3E3.0.CO%3B2-Q" aria-label="Article reference 15" data-doi="10.1002/1097-0142(195309)6:53.0.CO;2-Q">Artikel Google Scholar

Saba, R., Halytskyy, O., Saleem, N. & Oliff, IA Wangenepithel, Zigarettenrauchen und Lungenkrebs: Überprüfung der Literatur. Onkologie 93, 347–353. https://doi.org/10.1159/000479796 (2017).

Artikel CAS PubMed Google Scholar

Shani, T. et al. Chromosomenaberrationen in scheinbar normaler Mundschleimhaut von starken Rauchern, die an Lungenkrebs leiden. Orale Onkol. 46, 96–99. https://doi.org/10.1016/j.oraloncology.2009.10.010 (2010).

Artikel CAS PubMed Google Scholar

Bugter, O. et al. Auf dem Weg zur optischen Erkennung von Feldkanzerisierungen in der Mundschleimhaut von Patienten mit Lungenkrebs. Übers. Onkol. 12, 1533–1538. https://doi.org/10.1016/j.tranon.2019.07.018 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Radosevich, AJ et al. Bukkale Spektralmarker zur Risikostratifizierung von Lungenkrebs. PLoS ONE 9, e110157. https://doi.org/10.1371/journal.pone.0110157 (2014).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Lochhead, P. et al. Ätiologischer Feldeffekt: Neubewertung des Feldeffektkonzepts bei der Krebsprädisposition und -progression. Mod. Pathol. 28, 14–29. https://doi.org/10.1038/modpathol.2014.81 (2015).

Artikel PubMed Google Scholar

Steiling, K., Ryan, J., Brody, JS & Spira, A. Das Gebiet der Gewebeverletzung in der Lunge und den Atemwegen. Krebs Vorher. Res. 1, 396–403. https://doi.org/10.1158/1940-6207.capr-08-0174 (2008).

Artikel CAS Google Scholar

Hosgood, HD et al. Eine Variation im oralen Mikrobiom ist mit einem künftigen Lungenkrebsrisiko bei Nichtrauchern verbunden. Thorax 76, 256–263. https://doi.org/10.1136/thoraxjnl-2020-215542 (2021).

Artikel PubMed Google Scholar

Kolbasina, NA et al. Lungenkrebs erhöht die H2O2-Konzentration im ausgeatmeten Atemkondensat, das Ausmaß der mtDNA-Schädigung und die mtDNA-Kopienzahl in der Mundschleimhaut. Heliyon 6, e04303. https://doi.org/10.1016/j.heliyon.2020.e04303 (2020).

Artikel PubMed PubMed Central Google Scholar

Sinjab, A., Han, G., Wang, L. & Kadara, H. Feldkarzinogenese in der Krebsentwicklung: Was passiert in der Zelle? Krebs Res. 80, 4888–4891. https://doi.org/10.1158/0008-5472.CAN-20-1956 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Roy, HK et al. Optischer Nachweis bukkaler epithelialer nanoarchitektonischer Veränderungen bei Patienten mit Lungenkrebs: Implikationen für das Screening. Krebs Res. 70, 7748–7754. https://doi.org/10.1158/0008-5472.Can-10-1686 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Virk, RKA et al. Eine gestörte Chromatinpackung reguliert die phänotypische Plastizität. Wissenschaft. Adv. 6, eaax6232. https://doi.org/10.1126/sciadv.aax6232 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Almassalha, LM et al. Die größere genomische Landschaft: Die heterogene Entwicklung von Krebs. Krebs Res. 76, 5605–5609 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Cherkezyan, L. et al. Nanoskalige Veränderungen in der Chromatin-Organisation stellen die ersten Schritte der Tumorentstehung dar: eine Transmissionselektronenmikroskopie-Studie. BMC Cancer 14, 189. https://doi.org/10.1186/1471-2407-14-189 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Xu, J. et al. Hochauflösende Bildgebung zeigt die Entwicklung der Chromatinfaltung höherer Ordnung in der frühen Karzinogenese. Nat. Komm. https://doi.org/10.1038/s41467-020-15718-7 (2020).

Artikel PubMed PubMed Central Google Scholar

Li, Y. et al. Die nanoskalige Chromatin-Bildgebungs- und Analyseplattform verbindet die 4D-Chromatin-Organisation mit der molekularen Funktion. Wissenschaft. Adv. https://doi.org/10.1126/sciadv.abe4310 (2021).

Artikel PubMed PubMed Central Google Scholar

Ide, S., Imai, R., Ochi, H. & Maeshima, K. Transkriptionelle Unterdrückung ribosomaler DNA mit Phasentrennung. Wissenschaft. Adv. https://doi.org/10.1126/sciadv.abb5953 (2020).

Artikel PubMed PubMed Central Google Scholar

Ou, HD et al. ChromEMT: Visualisierung der 3D-Chromatinstruktur und -verdichtung in Interphase- und Mitosezellen. Wissenschaft https://doi.org/10.1126/science.aag0025 (2017).

Artikel PubMed PubMed Central Google Scholar

Li, Y. et al. Analyse dreidimensionaler Chromatin-Packungsdomänen mittels Chromatin-Rastertransmissionselektronenmikroskopie (ChromSTEM). Wissenschaft. Rep. https://doi.org/10.1038/s41598-022-16028-2 (2022).

Artikel PubMed PubMed Central Google Scholar

Gladstein, S. et al. Messung der Chromatin-Heterogenität im Nanomaßstab mit partieller Wellenspektroskopie. Methoden Mol. Biol. 1745, 337–360. https://doi.org/10.1007/978-1-4939-7680-5_19 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Almassalha, LM et al. Makrogenomisches Engineering durch Modulation der Skalierung der Chromatin-Packungsdichte. Nat. Biomed. Ing. 1, 902–913. https://doi.org/10.1038/s41551-017-0153-2 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Cherkezyan, L. et al. Übersicht über die interferometrische Streulichtspektroskopie zur Quantifizierung der subbeugungsgerichteten Struktur von Biomaterialien. J. Biomed. Opt. 22, 30901. https://doi.org/10.1117/1.Jbo.22.3.030901 (2017).

Artikel PubMed Google Scholar

Konda, V. et al. Nanoskalige Marker der Ösophaguskarzinogenese: Mögliche Auswirkungen auf die Früherkennung von Speiseröhrenkrebs. Endoskopie 45, 983–988. https://doi.org/10.1055/s-0033-1344617 (2013).

Artikel PubMed PubMed Central Google Scholar

Backman, V. & Roy, HK Fortschritte bei der biophotonischen Erkennung der Feldkarzinogenese zur Risikostratifizierung von Dickdarmkrebs. J. Krebs 4, 251–261. https://doi.org/10.7150/jca.5838 (2013).

Artikel PubMed PubMed Central Google Scholar

Damania, D. et al. Einblicke in das Gebiet der Karzinogenese von Eierstockkrebs basierend auf der Nanozytologie endozervikaler und endometrialer Epithelzellen. Int. J. Krebs 133, 1143–1152. https://doi.org/10.1002/ijc.28122 (2013).

Artikel CAS PubMed PubMed Central Google Scholar

Subramanian, H. et al. Optische Methode zur Erkennung histologisch nicht erkennbarer nanoskaliger Folgen genetischer Veränderungen in biologischen Zellen. Proz. Natl. Acad. Wissenschaft. USA 105, 20118–20123. https://doi.org/10.1073/pnas.0804723105 (2008).

Artikel ADS PubMed PubMed Central Google Scholar

Subramanian, H. et al. Teilwellenmikroskopische Spektroskopie erkennt Fluktuationen des Brechungsindex unterhalb der Wellenlänge: eine Anwendung für die Krebsdiagnose. Opt. Lette. 34, 518–520. https://doi.org/10.1364/OL.34.000518 (2009).

Artikel ADS PubMed PubMed Central Google Scholar

Subramanian, H. et al. Nanoskalige zelluläre Veränderungen in der Feldkarzinogenese, nachgewiesen durch Teilwellenspektroskopie. Krebs Res. 69, 5357–5363. https://doi.org/10.1158/0008-5472.CAN-08-3895 (2009).

Artikel CAS PubMed PubMed Central Google Scholar

Eid, A. et al. Charakterisierung der Skalierung der Chromatinpackung in ganzen Kernen mittels interferometrischer Mikroskopie. Opt. Lette. 45, 4810–4813. https://doi.org/10.1364/OL.400231 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Wang, X. et al. Chromatin-Reprogrammierung und Knochenregeneration in vitro und in vivo durch die mikrotopographieinduzierte Verengung von Zellkernen. Nat. Biomed. Ing. https://doi.org/10.1038/s41551-023-01053-x (2023).

Artikel PubMed PubMed Central Google Scholar

Subramanian, H. et al. Verfahren zur Risikostratifizierung von Lungenkrebs mittels bukkaler Nanozytologie. Biomed. Opt. Express 7, 3795–3810. https://doi.org/10.1364/boe.7.003795 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Davies, HG, Wilkins, MHF, Chayen, J. & La Cour, LF Die Verwendung des Interferenzmikroskops zur Bestimmung der Trockenmasse in lebenden Zellen und als quantitative zytochemische Methode. J. Cell Sci. s3-95, 271–304. https://doi.org/10.1242/jcs.s3-95.31.271 (1954).

Artikel Google Scholar

Spring, KR & Davidson, ME Schärfentiefe und Tiefenschärfe. https://www.microscopyu.com/microscopy-basics/third-of-field-and-third-of-focus. Letzter Zugriff am 8. Mai 1–3 (2012).

Chandler, JE et al. Spektrale Hochgeschwindigkeits-Nanozytologie zur Krebsfrüherkennung. J. Biomed. Opt. 18, 117002. https://doi.org/10.1117/1.JBO.18.11.117002 (2013).

Artikel ADS PubMed PubMed Central Google Scholar

Cherkezyan, L., Subramanian, H. & Backman, V. Welche strukturellen Längenskalen können durch die spektrale Varianz eines Mikroskopbildes erkannt werden? Opt. Lette. 39, 4290. https://doi.org/10.1364/ol.39.004290 (2014).

Artikel ADS PubMed PubMed Central Google Scholar

Cherkezyan, L. et al. Durch interferometrische Spektroskopie von Streulicht kann die Statistik subbeugungsbedingter Brechungsindexschwankungen quantifiziert werden. Physik. Rev. Lett. https://doi.org/10.1103/physrevlett.111.033903 (2013).

Artikel PubMed PubMed Central Google Scholar

Bugter, O. et al. Frühzeitige Krebserkennung im oberen Luft- und Verdauungstrakt mittels Elektronenmikroskopie, um Veränderungen der Chromatinpackung in Zellen der Mundschleimhaut aufzudecken. Mikrosk. Mikroanal. 27, 878–888. https://doi.org/10.1017/s1431927621000507 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Perincheri, S. et al. Eine unabhängige Bewertung eines künstlichen Intelligenzsystems zur Erkennung von Prostatakrebs zeigt eine hohe diagnostische Genauigkeit. Mod. Pathol. 34, 1588–1595. https://doi.org/10.1038/s41379-021-00794-x (2021).

Artikel PubMed PubMed Central Google Scholar

Ostrin, EJ, Sidransky, D., Spira, A. & Hanash, SM Biomarker für die Früherkennung und Erkennung von Lungenkrebs. Krebs-Epidemiol. Biomark. Vorher. 29, 2411–2415. https://doi.org/10.1158/1055-9965.Epi-20-0865 (2020).

Artikel CAS Google Scholar

Adams, SJ et al. Lungenkrebs-Screening. Lanzette 401, 390–408. https://doi.org/10.1016/s0140-6736(22)01694-4 (2023).

Artikel PubMed Google Scholar

Liu, MC et al. Sensitive und spezifische Erkennung und Lokalisierung mehrerer Krebsarten mithilfe von Methylierungssignaturen in zellfreier DNA. Ann. Onkol. 31, 745–759. https://doi.org/10.1016/j.annonc.2020.02.011 (2020).

Artikel CAS PubMed Google Scholar

Putcha, G., Gutierrez, A. & Skates, S. Multikrebs-Screening: Eine Lösung passt nicht für alle. JCO Precis. Onkol. https://doi.org/10.1200/po.20.00488 (2021).

Artikel PubMed Google Scholar

Dakubo, GD, Jakupciak, JP, Birch-Machin, MA & Parr, RL Klinische Auswirkungen und Nutzen der Feldkanzerisierung. Krebszelle Int. 7, 2. https://doi.org/10.1186/1475-2867-7-2 (2007).

Artikel PubMed PubMed Central Google Scholar

Bhutani, M. et al. Orales Epithel als Ersatzgewebe zur Beurteilung rauchbedingter molekularer Veränderungen in der Lunge. Krebs Vorher. Res. 1, 39–44. https://doi.org/10.1158/1940-6207.capr-08-0058 (2008).

Artikel Google Scholar

Sridhar, S. et al. Durch Rauchen verursachte Veränderungen der Genexpression in den bronchialen Atemwegen spiegeln sich im Nasen- und Wangenepithel wider. BMC Genomics 9, 259. https://doi.org/10.1186/1471-2164-9-259 (2008).

Artikel CAS PubMed PubMed Central Google Scholar

Gomperts, BN, Walser, TC, Spira, A. & Dubinett, SM Bereicherung der molekularen Definition des „Bereichs der Krebsentstehung“ der Atemwege: Etablierung neuer Paradigmen für Patienten mit einem Risiko für Lungenkrebs. Krebs Vorher. Res. 6, 4–7. https://doi.org/10.1158/1940-6207.Capr-12-0470 (2013).

Artikel CAS Google Scholar

Bae, D.-J., Jun, JA, Chang, HS, Park, JS & Park, C.-S. Epigenetische Veränderungen bei Asthma: Rolle der DNA-CPG-Methylierung. Tuberc. Atmung. Dis. 83, 1. https://doi.org/10.4046/trd.2018.0088 (2020).

Artikel Google Scholar

Sidransky, D. Die Mundhöhle als molekularer Spiegel der Lungenkrebsentstehung. Krebs Vorher. Res. 1, 12–14. https://doi.org/10.1158/1940-6207.capr-08-0093 (2008).

Artikel Google Scholar

Kemp, RA & Turic, B. Kann Lungenkrebs im Frühstadium durch Abkratzen der Mundschleimhaut erkannt werden? Brust 128, 154S. https://doi.org/10.1378/chest.128.4_meetingabstracts.154s-a (2005).

Artikel Google Scholar

Vorstand, PS a. PE-Lungenkrebs-Screening (PDQ®) – Version für Gesundheitsexperten, https://www.cancer.gov/types/lung/hp/lung-screening-pdq (2022).

Bach, PB et al. Nutzen und Schaden des CT-Screenings auf Lungenkrebs: Eine systematische Übersicht. JAMA 307, 2418–2429. https://doi.org/10.1001/jama.2012.5521 (2012).

Artikel CAS PubMed PubMed Central Google Scholar

Nationale Lungenscreening-Studienforschung T et al. Reduzierte Lungenkrebssterblichkeit durch niedrig dosiertes computertomographisches Screening. N. engl. J. Med. 365, 395–409. https://doi.org/10.1056/NEJMoa1102873 (2011).

Artikel Google Scholar

Jonas, DE et al. Screening auf Lungenkrebs mit niedrig dosierter Computertomographie: aktualisierter Evidenzbericht und systematische Überprüfung für die US-amerikanische Task Force für präventive Dienste. JAMA 325, 971–987. https://doi.org/10.1001/jama.2021.0377 (2021).

Artikel PubMed Google Scholar

Referenzen herunterladen

Diese Arbeit wurde durch die Zuschüsse U54CA268084, R01CA228272 und R01CA225002 der National Institutes of Health Grants (NIH), den Zuschuss EFMA-1830961 der National Science Foundation (NSF) sowie philanthropische Unterstützung von Rob und Kristin Goldman und der Christina Carinato Charitable Foundation unterstützt. AD möchte Benjamin D. Keane für seine wertvolle Unterstützung bei der Manuskripterstellung danken.

Diese Autoren trugen gleichermaßen bei: Ali Daneshkhah und Sravya Prabhala.

Abteilung für Biomedizintechnik, Northwestern University, Evanston, IL, USA

Ali Daneshhah, Sravya Prabhala, Hariharan Subramanian, Andrew S. Chang und Vadim Backman

NanoCytomics, Evanston, IL, USA

Parvathi Viswanathan, Hariharan Subramanian und Jianan Lin

Baylor College of Medicine, Houston, TX, USA

Hemant Kumar Roy

Abteilung für Chirurgie, Feinberg School of Medicine, Canning Thoracic Institute, Northwestern University, 420 East Superior Street, Chicago, IL, 60611, USA

Ankit Bharat

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

VB, HS, HKR und AB haben das Projekt entworfen. AD, SP und PV führten statistische und Datenanalysen durch. AD und PV bereiteten das Manuskript vor, während alle Autoren Beiträge leisteten und Feedback gaben. AB und HKR sammelten klinische Daten an zwei Standorten. JL hat csPWS-Daten gesammelt.

Korrespondenz mit Vadim Backman.

Dr. Subramanian, Backman und Roy sind Mitbegründer und/oder Anteilseigner von NanoCytomics LLC. PV und JL waren bei NanoCytomics LLC beschäftigt. Alle Aspekte dieser Studie wurden unter der Aufsicht des Interessenkonfliktausschusses der Northwestern University und des Baylor College of Medicine durchgeführt.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Daneshkhah, A., Prabhala, S., Viswanathan, P. et al. Früherkennung von Lungenkrebs mithilfe künstlicher Intelligenz-verstärkter optischer Nanosensorik von Chromatinveränderungen bei der Feldkarzinogenese. Sci Rep 13, 13702 (2023). https://doi.org/10.1038/s41598-023-40550-6

Zitat herunterladen

Eingegangen: 07. April 2023

Angenommen: 12. August 2023

Veröffentlicht: 22. August 2023

DOI: https://doi.org/10.1038/s41598-023-40550-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.