Поздравляем сотрудника нашей лаборатории Дениса Александровича Вражнова с успешной защитой диссертации! Ему присуждена учёная степень кандидата физико-математических наук по специальности «Медицинская физика».
Его работа «Диагностика глиомы головного мозга на основе терагерцовой спектроскопии крови и методов искусственного интеллекта» была отмечена диссоветом за высокую актуальность, качество исполнения и междисциплинарный подход, сочетающий достижения биологии, медицины, физики и вычислительной математики. Также был отмечен высокий профессиональный уровень соискателя (индекс Хирша – 11).
Краткая аннотация диссертации.
Высокая смертность из-за глиомы головного мозга обусловлена поздней диагностикой заболевания, поскольку существующие методы медицинской визуализации, таких как магнитно-резонансная томография и компьютерная томография, не позволяют обнаружить опухоли небольшого размера. Обнаружение молекулярных маркеров глиомы в биологических тканях является альтернативным диагностическим подходом. Оптические методы, такие как флуоресцентная визуализация, многофотонная микроскопия, фотоакустическая визуализация, спектроскопия комбинационного рассеяния, абсорбционная и терагерцовая спектроскопия широко используются для обнаружения уникальных спектральных характеристик биологических тканей, включая молекулярные биомаркеры новообразований, в том числе при хирургической резекции пораженной ткани. Достоинство таких методов заключается в высокой чувствительности к химическому составу ткани. К недостаткам стоит отнести малую глубину проникновения для неинвазивного обнаружения глиомы in vivo.
В сравнении со стандартной биопсией использование оптических методов для анализа биологических жидкостей (кровь, моча, спинномозговая жидкость, слюна и др.) отличается неинвазивностью/малоинвазивностью и меньшей сложностью манипуляции. Раннее появление онкомаркеров в биологических жидкостях может дать возможность ранней диагностике глиомы.
Терагерцовая спектроскопия жидкостей является относительно новой областью по отношению к спектроскопии в инфракрасном, ультрафиолетовом и видимом диапазонах. Высокая размерность и корреляция значений на разных частотах не позволяют или существенно затрудняют применение подходов на основе методов математической статистики. Методы машинного обучения позволяют строить предиктивные модели на основе выборочных данных на совокупности частот (спектральных сигнатур) за счет генерации метрик, учитывающих особенности конкретных наборов данных. Взаимосвязь метаболических путей, метаболитов опухолей и течения болезни представляет особый интерес в биомедицине. Для установления подобных взаимосвязей используются интерпретируемые модели данных. Таким образом, разработка методов машинного обучения, генерирующих интерпретируемые предиктивные модели на основе данных терагерцовой оптической биопсии, является актуальной задачей.