基于多层感知子替代模型方法的前列腺癌的无标签SERS检测
Houyang Ge1, Xingen Gao1, Juqiang Lin1
1School of Opto-electronic and Communication Engineering, Xiamen University of Technology, Xiamen, Fujian, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|September 17, 2023
概括
这项研究引入了一种深度学习方法,多层感知子 (MLP),以简化表面增强拉曼光谱 (SERS) 预处理前列腺癌诊断. 对原始SERS数据的PCA-MLP分析提高了诊断准确性和效率.
科学领域:
- 生物医学光谱学 生物医学光谱学
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的机器学习
背景情况:
- 表面增强拉曼光谱 (SERS) 需要广泛的预处理才能进行准确的分析.
- 目前SERS的预处理方法耗时且依赖于样本.
- 自动光和数据波动性使SERS光谱分析复杂化.
研究的目的:
- 为了简化SERS预处理血样本在前列腺癌 (PC) 检测.
- 通过深度学习提高SERS技术的诊断灵敏度和特异性.
- 为了评估多层感知子 (MLP) 在SERS数据分析中的有效性.
主要方法:
- 采用深度学习技术,多层感知 (MLP),用于SERS数据分析.
- 使用主要成分分析与线性差异分析 (PCA-LDA) 和PCA-MLP) 结合使用.
- 在三个数据阶段比较分类准确性:原始,脱光和正常化.
主要成果:
- 在所有数据阶段,PCA-MLP表现出始终高且稳定的分类准确性 (92.00%-96.70%).
- 根据预处理阶段,PCA-LDA的分类准确度有所不同 (76.90%-95.20%).
- 使用PCA-MLP对原始SERS数据的直接分析简化了实验过程并提高了有效性.
结论:
- 深度学习,特别是PCA-MLP,为PC诊断提供了SERS数据分析的强大和高效的方法.
- 使用PCA-MLP对原始SERS数据的直接分析消除了对复杂预处理的需求,节省了时间和资源.
- 这种简化的SERS分析提高了诊断准确性,并具有临床应用的巨大潜力.
