乳腺癌的拉曼光谱模式识别:基于特征融合和自适应性超参数优化的机器学习策略
Qingbo Li1, Zhixiang Zhang1, Zhenhe Ma2
1School of Instrumentation and Optoelectronic Engineering, Precision Opto-Mechatronics Technology Key Laboratory of Education Ministry, Beihang University, Xueyuan Road No. 37, Haidian District, Beijing, 100191, China.
Heliyon
|July 28, 2023
概括
这项研究通过使用拉曼光谱来增强早期乳腺癌检测,采用了新的功能融合策略和先进的进化算法,以提高诊断准确度. 综合方法显著提高了从光谱数据中识别癌细胞组织的速度.
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.
- 计算生物学 计算生物学
背景情况:
- 拉曼光谱为乳腺癌检测提供了丰富的分子信息.
- 便携式拉曼设备提高了可访问性,但降低了信号噪声比 (SNR).
- 这就需要先进的模式识别来进行准确的诊断.
研究的目的:
- 为高维拉曼光谱开发特征融合策略.
- 为了加强正常和瘤乳腺组织之间的歧视.
- 为适应性超参数优化引入一种新的进化算法.
主要方法:
- 功能融合策略,以减少光谱维度.
- 多参数串行编码进化算法 (MSEA) 用于超参数优化.
- 整合MSEA与自适应局部超平面K-最近邻国 (ALHK) 分类.
主要成果:
- 在随机实验中实现了超过96%的准确性,灵敏度和特异性.
- 与手动超参数调整相比,MSEA提高了ALHK的性能.
- 灵敏度分析和交叉验证完善了超参数空间.
结论:
- 特征融合和MSEA优化的ALHK显著改善了从拉曼光谱的乳腺癌检测.
- 拟议的方法解决了便携式拉曼光谱中的SNR限制.
- 这种方法为早期乳腺癌诊断提供了强大而准确的工具.
更多相关视频
13:44Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
Published on: August 30, 2013
42.9K
07:54Surface-enhanced Resonance Raman Scattering Nanoprobe Ratiometry for Detecting Microscopic Ovarian Cancer via Folate Receptor Targeting
Published on: March 25, 2019
8.2K