基于表面增强的拉曼光谱检测微RNA生物标记物用于生物医学诊断,使用可解释机器学习算法的比较研究
Joy Q Li1,2, Hsin Neng-Wang1,2, Aidan J Canning1,2
1Fitzpatrick Institute for Photonics, Durham, North Carolina, USA.
Applied spectroscopy
|November 1, 2023
概括
机器学习,特别是卷积神经网络 (CNN),擅长分析复杂的表面增强拉曼光谱 (SERS) 数据以检测微RNA. 将CNN与非负矩阵因子化 (NMF) 结合起来,可以提高诊断的光谱分离的精度,而不会损害精度.
科学领域:
- 光谱学和分析化学 分析化学
- 生物医学诊断 生物医学诊断
- 机器学习应用 机器学习应用
背景情况:
- 表面增强拉曼光谱 (SERS) 由于其狭窄的光谱特征,为诊断提供了多重分析能力.
- 反向分子哨兵 (iMS) 纳米传感器使多重化微RNA (miRNA) 检测使用SERS.
- SERS数据的高维度挑战了传统的机器学习 (ML) 方法,导致过度拟合和糟糕的泛化.
研究的目的:
- 为了比较来自iMS测试的多重SERS数据的光谱分离,各种ML算法的性能.
- 评估使用非负矩阵分解 (NMF) 对ML模型性能和效率减小维度的影响.
- 使用开发的ML模型分析组织活检的临床SERS数据.
主要方法:
- 与ML方法进行比较:卷积神经网络 (CNN),支持向量回归和极端梯度增强.
- 研究了将ML方法与非负矩阵因子化 (NMF) 结合起来,以减少维数的有效性.
- 利用梯度类激活图和部分依赖图来实现模型的可解释性.
主要成果:
- 卷积神经网络 (CNN) 在多重SERS数据的光谱分离方面表现出高精度.
- 在CNN之前整合NMF显著减少了记忆和训练需求,而不会影响性能.
- 在分析临床SERS数据时,CNN和CNN-NMF模型实现了高精度 (RMSE~0.101和0.0968,分别).
结论:
- 基于CNN的ML方法在多重SERS应用中显示出对光谱脱杂的显著前景.
- 使用NMF进行尺寸缩小,可以有效地提高SERS数据分析的ML模型的效率.
- 开发的模型准确地分析了临床SERS数据,突出了其用于诊断应用的潜力.
