2017
DOI: 10.1177/1469066717721843
|View full text |Cite
|
Sign up to set email alerts
|

Feature selection algorithm for spray-from-tissue mass spectrometry

Abstract: Detection of the brain tumor margins is one of the most significant problems in neurosurgery. Several mass spectrometry-based approaches have been proposed recently for tumor boundary detection. One of them, spray from tissue does not require sample preparation but needs special algorithms for analysis of its spectra. Here we proposed the feature selection algorithm designed for analysis of spray-from-tissue data.

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1
1
1

Citation Types

0
5
0
2

Year Published

2018
2018
2023
2023

Publication Types

Select...
7

Relationship

1
6

Authors

Journals

citations
Cited by 7 publications
(7 citation statements)
references
References 24 publications
0
5
0
2
Order By: Relevance
“…Таким образом, для практического применения методов прямой масс-спектрометрии и прямой экстракции липидов из тканей требуется разработка специальных алгоритмов для анализа спектров. Этой же группой авторов [17] предложен алгоритм, предназначенный для анализа данных прямой масс-спектрометрии для определения физических границ опухолевой ткани.…”
Section: современные возможности масс-спектрометрии в нейроонкологииunclassified
See 1 more Smart Citation
“…Таким образом, для практического применения методов прямой масс-спектрометрии и прямой экстракции липидов из тканей требуется разработка специальных алгоритмов для анализа спектров. Этой же группой авторов [17] предложен алгоритм, предназначенный для анализа данных прямой масс-спектрометрии для определения физических границ опухолевой ткани.…”
Section: современные возможности масс-спектрометрии в нейроонкологииunclassified
“…Первые работы, в которых описаны исследования тканей методами прямой масс-спектрометрии, были выполнены с использованием метода десорбционно-электроспрейной ионизации (DESI), в котором микроэкстракция исследуемых молекул из образца с их последующей ионизацией осуществляется при взаимодействии заряженных капель водно-метанольной смеси с исследуемым образцом. Это позволяет получить данные о липидном профиле опухолевой ткани, а также распределении в ткани различных характерных водорастворимых онкометаболитов [15][16][17]. Основными молекулярными маркерами липидной природы, на основе которых проводится идентификация тканей при помощи описанных выше методов, являются насыщенные и ненасыщенные жирные кислоты (ЖК), глицерофосфоинозитолы, глицерофосфосерины, плазминил-глицерофосфоэтаноламины и сульфатиды.…”
unclassified
“…Ambient MS profiles of brain tumor tissues are complex data due to the variety of lipids and metabolites extracted during analysis. However, further statistical analysis and machine learning algorithms allow us to remove the matrix effect and extract features for further tissue differentiation 36 . PCA (Fig.…”
Section: Resultsmentioning
confidence: 99%
“…The molecular profile analysis is challenged by the complexity of data, the matrix effect, and possible signal instability. To overcome such complications, it is usually suggested to implement special algorithms for data evaluation, preprocessing, and further analysis using machine learning [21][22][23][24][25][26][27][28].…”
Section: Discussionmentioning
confidence: 99%