基于双光谱仪LIBS (DS-LIBS) 结合机器学习的OMICRON变异SARS-CoV-2感染的分期分类

科学领域:

• 生物医学诊断 生物医学诊断
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 准确地确定Omicron感染的阶段对于有效的传播控制和治疗至关重要.
• 传统的激光诱导分解光谱 (LIBS) 专注于主要元素,可能缺少与COVID-19进展相关的微量元素的关键信息.
• 血清中的微量元素比主要元素更能表明COVID-19的进展.

研究的目的:

• 开发一种使用双光谱仪LIBS (DS-LIBS) 和机器学习的快速分析方法,用于分类Omicron感染阶段.
• 与单个光谱仪LIBS方法相比,提高Omicron感染分期的准确性.
• 调查不同机器学习模型对此分类任务的有效性.

主要方法:

• 使用了一种双光谱仪LIBS系统,能够同时从血清中收集宽带 (主要元素) 和窄带 (微量元素) 光谱.
• 使用机器学习模型,包括支持向量机 (SVM),随机森林 (RF),梯度增强 (GBM) 和极端随机树 (ETree),用于光谱数据分析.
• 将DS-LIBS的分类性能与传统的单光谱仪LIBS方法进行比较.

主要成果:

• 与射频模型相结合的DS-LIBS实现了0.92的分类准确度,明显优于单个光谱仪LIBS (0.84和0.73).
• ETree模型表现出卓越的性能,交叉验证和测试集准确度分别为0.94和0.93.
• 在特定阶段,ETree获得了高准确度:B1急性1.00,B1后期0.92,B20.92和B30.89.

结论:

• 通过捕获主要和微量元素光谱,DS-LIBS在分类Omicron感染阶段方面提供了显著的优势.
• 当应用到DS-LIBS数据时,ETree机器学习模型提供了非常准确和有效的Omicron感染阶段.
• 这种综合方法有望为快速准确的辅助诊断提供帮助,有助于疾病管理和控制.