Enfoques explicables de selección de características basadas en IA para la espectroscopia Raman

Área de la Ciencia:

• Ingeniería biomédica
• Biología computacional
• Espectroscopia

Sus antecedentes:

• La espectroscopia Raman ofrece un análisis de tejido no invasivo para la detección precisa del cáncer.
• El aprendizaje automático automatiza el descubrimiento de patrones, pero enfrenta desafíos con datos Raman de alta dimensión.
• La explicabilidad del modelo es crucial para integrar la IA en el diagnóstico médico, lo que requiere una reducción efectiva de las características.

Objetivo del estudio:

• Introducir nuevos métodos de selección de características basados en el aprendizaje profundo para la espectroscopia Raman.
• Comparar estos nuevos métodos con técnicas establecidas en múltiples conjuntos de datos y clasificadores.
• Para abordar el desafío de la reducción de características al tiempo que se minimiza la pérdida de información en los datos Raman.

Principales métodos:

• Desarrolló dos métodos de selección de características utilizando aprendizaje profundo explicable: Redes neuronales convolucionales (CNN) con GradCam y Transformers con puntajes de atención.
• Extrajo características usando GradCam para las CNN y puntajes de atención para los Transformers.
• Evaluación del rendimiento de las características con respecto a métodos establecidos utilizando cuatro clasificadores y tres conjuntos de datos de espectroscopia Raman del mundo real.

Principales resultados:

• Los métodos de aprendizaje profundo explicables lograron una precisión comparable a los enfoques tradicionales utilizando solo el 10% de las características.
• Las CNN con GradCam y Random Forest mostraron un rendimiento superior con una retención de funciones del 5 al 20%.
• LinearSVC con penalización L1 fue altamente preciso con solo el 1% de las características, mientras que el enfoque CNN-GradCam demostró la mayor precisión promedio.

Conclusiones:

• Ningún método de selección de características es universalmente óptimo para todas las aplicaciones de espectroscopia Raman.
• El enfoque propuesto de CNN-GradCam muestra un gran potencial para la selección de características precisas y explicables.
• Se recomienda evaluar múltiples alternativas de selección de características para cada aplicación específica para garantizar un rendimiento óptimo.