使用机器学习和基于银纳米粒子的表面增强拉曼光谱技术对心血管疾病生物标志物进行分类
Katelyn Dixon1, Raissa Bonon2, Felix Ivander2
1Department of Electrical and Computer Engineering, University of Toronto, Toronto M5S 1A4, Canada.
ACS applied nano materials
|September 14, 2023
概括
带有机器学习 (ML) 的表面增强拉曼光谱 (SERS) 可以检测心血管疾病 (CVD). 仔细的实验设计至关重要,因为变化可以显著影响ML分类准确性,以获得可靠的点诊断诊断.
科学领域:
- 生物医学工程 生物医学工程
- 分析化学 分析化学
- 计算生物学 计算生物学
背景情况:
- 表面增强的拉曼光谱 (SERS) 与机器学习 (ML) 结合,为治疗点检测疾病提供了潜力.
- 机器学习模型需要足够的训练数据,以避免产生错误或不可泛化的分类.
- 了解SERS实验参数如何影响ML分类对于临床应用至关重要.
研究的目的:
- 调查SERS方法和工作流程参数对基于ML的疾病分类的影响.
- 评估无标签SERS和ML在分类模拟心血管疾病 (CVD) 样本中的准确性.
- 在临床样本的SERS分析中确定影响ML分类表现的因素.
主要方法:
- 使用无标签,基于Ag纳米粒子的SERS平台与ML用于分析模拟的血清中心血管疾病样本.
- 从多达300个独特样本中收集了532,633和785nm的拉曼光谱.
- 使用两种标准ML模型将样品分为生理和病理类别.
主要成果:
- 高分类准确度 (高达90.0%) 在532nm使用仅200个训练样本实现.
- 单波长SERS在532nm产生了最高的精度;多波长SERS没有显著的改进.
- 基板批量和样品处理等实验变量对ML分类产生了很大的影响,可能会使准确度高达27%.
结论:
- 没有标签的SERS与ML相结合,证明了CVD分类的高准确性.
- 标准化的SERS实验协议和强大的数据采集对于可靠的ML驱动诊断至关重要.
- 这项研究提供了改善SERS数据集的见解,用于实际的护理点测试应用.
