表面增强的拉曼光谱数据的多尺度表示,用于基于深度学习的肝癌检测

科学领域:

• 生物医学光学 生物医学光学
• 频谱学是一种光谱学.
• 医疗保健中的机器学习

背景情况:

• 早期发现肝癌可显著改善患者的生存率和治疗选择.
• 表面增强拉曼光谱 (SERS) 是一种有前途的非侵入性光学技术,用于早期癌症检测.
• 传统的SERS数据分析方法面临信息丢失和非线性关系的挑战.

研究的目的:

• 开发一种先进的非侵入性方法,用于早期检测肝癌.
• 克服传统SERS数据分析技术的局限性.
• 通过使用SERS提高肝癌诊断的准确性和可靠性.

主要方法:

• 利用波形变换从SERS数据中提取多尺度特征,最大限度地减少信息丢失.
• 采用深度学习,特别是带有数据增强的神经网络,用于强大的非线性分类.
• 对比了SERS数据处理的六种不同的波形基函数.
• 训练并测试了分类模型,使用来自肝癌患者和健康志愿者的血清样本的SERS数据.

主要成果:

• 提出的方法实现了高性能指标:准确率为99.38%,灵敏度为99.8%,特异性为97.0%.
• 综合方法显著优于传统的多变量统计分析和机器学习方法.
• 波形变换有效地提取了特征,而深度学习处理了复杂的数据模式.

结论:

• 集成SERS,波形变换和深度学习,为早期肝癌检测提供了强大的非侵入性工具.
• 这种新的方法提供了一种快速而准确的诊断方法,有可能改善患者的治疗结果.
• 进一步验证可以将这种技术作为肝癌查的标准.