基于对竞争性网络的细分和修剪的异常值检测算法,用于用拉曼光谱识别质瘤
Zhixiang Zhang1, Yan Zhou2, Qingbo Li1
1School of Instrumentation and Optoelectronic Engineering, Precision Opto-Mechatronics Technology Key Laboratory of Education Ministry, Beihang University, Beijing 100191, China. qbleebuaa@buaa.edu.cn.
Analytical methods : advancing methods and applications
|July 25, 2023
概括
一个新的算法,SPCN,有效地检测Raman光谱数据中的异常值,用于脑质瘤诊断. 这提高了识别癌细胞组织的准确性和可靠性,提高了诊断潜力.
科学领域:
- 生物医学光学 生物医学光学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 拉曼光谱为脑质瘤诊断提供非侵入性,高信息密度分析.
- 鉴定质瘤模式是具有挑战性的,因为组织异质性和实验变异的潜在异常值.
- 现有的异常值检测方法可以减少样本利用率并损害模型的稳定性.
研究的目的:
- 开发一种新的,强大的异常值检测算法,用于脑质瘤的拉曼光谱.
- 用拉曼光谱来提高质瘤诊断的准确性和可靠性.
- 为应对高集团内部差异和仪器不一致性所带来的挑战.
主要方法:
- 提出了SPCN (细分和修剪竞争网络) 异常值检测算法.
- SPCN使用竞争性网络细分,α-β区域细分和两阶段修剪方法.
- 该算法没有标签,不需要异常距离值或密度估计.
主要成果:
- 与六种传统的异常值检测算法相比,SPCN显示出更高的精度和稳定性.
- 对113名脑质瘤患者的拉曼光谱分析证实了SPCN的有效性.
- 使用SPCN删除异常值,提高了结质瘤诊断中的模式识别准确度.
结论:
- 通过拉曼光谱,SPCN算法显著提高了脑质瘤诊断的准确性和可靠性.
- 在复杂的生物样本中,SPCN为处理异常光谱提供了强大的解决方案.
- 该方法可适应在其他光谱数据中检测异常值,包括近红外和中红外.
更多相关视频
05:45Quantitative Immunohistochemistry of the Cellular Microenvironment in Patient Glioblastoma Resections
Published on: July 31, 2017
9.7K
09:09Laser Capture Microdissection of Glioma Subregions for Spatial and Molecular Characterization of Intratumoral Heterogeneity, Oncostreams, and Invasion
Published on: April 12, 2020
6.9K