通过ATR-FTIR光谱学和机器学习来识别来自人类血液的突然心脏死亡

科学领域:

• 法医科学 法医科学 法医科学
• 生物化学 生化学
• 医学诊断 医学诊断 医学诊断

背景情况:

• 突然心脏死亡 (SCD) 的死后诊断在法医实践中提出了重大挑战.
• 目前的方法可能具有侵入性或缺乏敏感性.
• 需要快速,非破坏性的诊断工具.

研究的目的:

• 开发一种快速,灵敏和非破坏性的辅助方法,用于死后SCD诊断.
• 为了评估ATR-FTIR光谱学与机器学习算法的有效性.

主要方法:

• 使用减弱总反射率-里埃变换红外光谱 (ATR-FTIR) 来分析血液样本.
• 使用人工神经网络 (ANN),K-最近邻居 (KNN),随机森林 (RF) 和支持矢量机器 (SVM) 分析了光谱数据.
• 用准确性,精度,回忆,F1得分和混矩阵来评估模型性能.

主要成果:

• 该研究分析了77例病例 (43例SCD,34例非SCD),生成了693个光谱图.
• 仅使用光谱生物标志物,SVM算法实现了最高准确率95.83%.
• 将光谱生物标志物与年龄,性别和心脏组织病理学数据相结合,使SVM模型的准确性提高到100%.

结论:

• 整合人工智能,病理学和血液成分分析为死后SCD诊断提供了一种有效的辅助方法.
• ATR-FTIR光谱学为SCD识别提供了有价值的光谱生物标志物.
• 机器学习,特别是SVM,提高了法医调查中的诊断准确性.