拉曼光谱的扩展分析使用人工智能技术对结肠直肠异常的分类

科学领域:

• 生物医学光学 生物医学光学
• 医学光谱学 医学光谱学
• 计算生物学 计算生物学

背景情况:

• 拉曼光谱 (RS) 为医疗应用提供实时生化分析.
• 整合人工智能 (AI) 提高了RS准确性,用于体内频谱数据分类.
• 整合AI-RS为精确的医学诊断提供了新的途径.

研究的目的:

• 研究一种最佳的预处理管道,用于对拉曼光谱数据的AI驱动的统计分析.
• 提出和评估预处理方法和算法,以改善分类结果.
• 为了比较机器学习 (ML) 和深度学习 (DL) 算法,以确定RS的临床适用性.

主要方法:

• 从健康和癌症结直肠样本 (n=22) 收集的光谱数据.
• 应用了各种预处理技术:基线校正,L2正常化,过和主要组件分析 (PCA).
• 组织分类的ML (XGBoost,随机森林) 和DL (1D-Resnet,1D-CNN) 算法进行比较.

主要成果:

• 预处理技术提高了整体精度15.8%.
• ML模型 (XGBoost,随机森林) 有效地分类正常和异常组织.
• DL模型,特别是1D-CNN,在分类异常病例方面表现出卓越的表现.

结论:

• 人工智能增强的拉曼光谱技术提供了准确的恶性瘤分类.
• 优化预处理管道对于在临床诊断中推进RS至关重要.
• 该研究强调了AI-RS在精确医学分析和诊断方面的潜力.