基于细胞元素异质性的瘤细胞机器学习分类模型的优化与激光诱导分解光谱学
Yimeng Wang1, Da Huang1, Kaiqiang Shu1
1Research Center of Analytical Instrumentation, School of Mechanical Engineering, Sichuan University, Chengdu, China.
Journal of biophotonics
|July 29, 2023
概括
癌症诊断通过使用激光诱导分解光谱 (LIBS) 和机器学习的新方法得到了改进. 这种技术准确地区分瘤细胞系,为癌症分类提供了更快的方法.
科学领域:
- 生物医学光谱学 生物医学光谱学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 准确和快速的癌症诊断在临床医学中至关重要.
- 区分不同的瘤细胞系对于有效的治疗策略至关重要.
研究的目的:
- 开发一种用于区分和分类瘤细胞系的创新方法.
- 评估机器学习算法与LIBS一起用于癌细胞分类的性能.
主要方法:
- 从细胞中获取激光诱导分解光谱学 (LIBS) 光谱.
- 频谱预处理和优化以提高分类准确性.
- 卷积神经网络 (CNN),支向量机 (SVM) 和K-最近邻近算法的比较.
主要成果:
- 无论是CNN还是SVM算法都实现了高分辨性能,瘤细胞分类的准确率为97.72%.
- 瘤细胞内的元素异质性被确定为准确细胞区分的关键因素.
- LIBS证明了作为瘤细胞快速分类方法的潜力.
结论:
- 结合LIBS和机器学习方法,为快速准确的瘤细胞分类提供了一个强大的工具.
- LIBS光谱学为诊断目的提供了对细胞元素组成的宝贵见解.
- 这种方法有望促进癌症诊断和个性化医学的发展.
