使用性特征和CNN进行子宫癌前期分类:使用手持式光探针进行体内验证
Bhaswati Singha Deo1, Amar Nath Sah2, Shivam Shukla1
1Center for Lasers and Photonics, Indian Institute of Technology Kanpur, Kanpur, India.
Journal of biophotonics
|November 27, 2023
概括
这项研究引入了一种创新的热方法,与人工智能 (AI) 和机器学习 (ML) 结合起来,用于早期检测宫癌. 该方法增强了光谱分析,以使用内在光进行准确的实时诊断.
科学领域:
- 生物医学光学 生物医学光学
- 癌症的诊断 癌症的诊断
- 计算生物学 计算生物学
背景情况:
- 宫癌的诊断往往缺乏实时检测能力,限制治愈率.
- 传统的方法与微妙的生化变化和患者特定的光谱变化作斗争.
- 光学技术,特别是光,显示出希望,但需要方法来克服in-vivo光谱变化.
研究的目的:
- 开发一种用于准确和实时检测子宫癌的新方法.
- 为了克服光光谱学中患者对患者的光谱变化的局限性.
- 提高早期癌症检测的灵敏度和特异性,使用内在光和AI/ML.
主要方法:
- 利用基于信息理论的态方法来放大微妙的光谱变化.
- 集成的人工智能 (AI) /机器学习 (ML) 工具用于数据分析.
- 使用手持式探针 (i-HHP) 来获得110个不同受试者的内在光谱.
主要成果:
- 使用十倍交叉验证实现了93.17%的平均分类准确度.
- 在没有人工增强的小型临床数据集中,表现出高的特异性和灵敏性.
- 验证了两极化光光谱的组合和用于最小侵入性实时诊断的拟议分类器.
结论:
- 的方法有效地放大了光谱变异,以提高诊断准确度.
- 与光光谱学相结合的AI/ML工具为早期宫癌检测提供了一种敏感和特定的方法.
- 这种微创技术有可能在癌症早期诊断中实时临床应用.
