团队开发了准确且廉价的光学活检方法

在早期阶段(即在癌症扩散到身体其他部位之前)检测到癌症，几乎总能带来更好的治疗效果和更低的死亡率。然而，对于那些无法获得良好医疗保健的人来说，例如那些资源匮乏或生活在农村地区的人，及时诊断的情况很少。这在很大程度上是由于许多类型的癌症缺乏简单、快速且具有成本效益的诊断技术。

早期检测恶性肿瘤的一种有前途的方法是使用漫反射光谱(DRS)对可疑组织进行“光学活检”。一般来说，基于 DRS 的测量可以使用相对便宜的设备快速执行。

这个想法是分析目标组织对多个频率的光的响应并估计关键光学参数。其中包括吸收系数 (μa) 和折减消光系数 (μ's)，这两者在肿瘤和健康组织之间往往会有所不同。

如今，逆蒙特卡罗 (MCI) 模拟被认为是分析 DRS 数据和估计组织光学特性的黄金标准。不幸的是，这种数值方法的计算量很大。

另一方面，基于机器学习(ML) 的方法是一种有竞争力的替代方案。它们的主要缺点是需要大量训练数据，并且通常使用模拟数据集来简化数据收集步骤。然而，模拟数据集并不能准确反映医疗仪器使用不当引起的所有类型的错误(或“使用错误”)，因此基于机器学习的 DRS 分析技术在应用于实际测量时精度较低。

为了解决这些问题，马凯特大学和威斯康星医学院的 Bing Yu 副教授领导的研究团队开发了一种更稳健的 ML 模型来分析 DRS 数据并预测 μa和 μ′s。他们的工作发表在《生物医学光学杂志》上，可以为在资源有限的环境中使用更方便的癌症诊断工具铺平道路。