弱监督的异常检测与富里埃变换红外 (FT-IR) 光谱相结合,用于识别非正常组织

科学领域:

• 组织病理学 组织病理学
• 机器学习 机器学习
• 振动光谱法 振动光谱法

背景情况:

• 组织病理学分析通常需要广泛的标记数据用于机器学习 (ML) 模型.
• 有限的样本大小,特别是对于罕见疾病或特定组织类型,阻碍了ML模型的开发.
• 红外 (IR) 光谱分析也受到小样本大小的影响,导致不准确的化学成分建模和分类错误.

研究的目的:

• 开发和演示一种新的弱监督异常检测算法,用于使用红外显微镜识别非正常组织.
• 通过允许检测没有先前示例的异常来解决在组织病理学和光谱学中样本大小不足的挑战.

主要方法:

• 使用一种弱监督的异常检测算法,仅在健康对照组织光谱上进行训练.
• 使用红外显微镜从肝脏组织样本中捕获光谱指纹.
• 该算法旨在模拟正常组织成分,并将偏差识别为异常.

主要成果:

• 开发的算法成功检测出非正常组织光谱,包括患病区域.
• 该系统还识别了偶然的干扰物,如头发,灰尘和组织痕.
• 该模型在没有经过任何异常或非正常样本数据的训练的情况下证明了有效性.

结论:

• 弱监督的异常检测与红外显微镜配对提供了一种可行的解决方案,用于检测非正常的组织病理学发现,即使数据有限.
• 这种方法可以识别患病的组织和光谱文物,在具有挑战性的病例中提高诊断准确性.
• 该方法在罕见疾病检测和农业化学物质暴露研究中显示出有前途的应用.