使用FTIR光谱和机器学习诊断皮肤莱什曼病:动物模型研究
Gabriela Pacher1, Thiago Franca2, Miller Lacerda2
1Laboratório de Parasitologia Humana, Instituto de Biociências, Universidade Federal de Mato Grosso do Sul, Campo Grande, Mato Grosso do Sul 79070-900, Brazil.
ACS infectious diseases
|January 8, 2024
概括
富里埃变换红外光谱法 (FTIR) 与机器学习 (ML) 结合,为皮肤莱什曼病 (CL) 提供了一种快速的诊断方法. 这项研究证明了FTIR-ML的存在.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 寄生虫学的寄生虫学
- 频谱学是一种光谱学.
背景情况:
- 皮肤莱什曼病 (CL) 由于常规方法的局限性而带来了诊断挑战.
- 福里埃变换红外光谱法 (FTIR) 和机器学习 (ML) 显示出迅速检测疾病的前景.
- 在CL中微妙的光谱变化需要先进的分析技术.
研究的目的:
- 在动物模型中研究一种新的FTIR-ML方法来诊断CL.
- 评估FTIR-ML在不同样本类型 (血清,皮肤病变,淋巴结) 的疗效.
- 确定影响FTIR-ML诊断模型对CL的准确性的因素.
主要方法:
- 从受感染和对照小鼠收集血清,皮肤病变和淋巴结样本.
- 应用FTIR光谱学来分析样品的生物化学概况.
- 利用机器学习算法,包括主要组件分析 (PCA) 和支持矢量机 (SVM),用于数据分析和分类.
主要成果:
- FTIR-ML精确地区分了CL感染和非感染的样本.
- 使用PCA-SVM在1800-700厘米-1的范围内,血清分析实现了最高的准确性 (∼72%).
- 皮肤病变和淋巴结分析显示了令人满意的结果,但与血清相比,结果更为可变.
结论:
- FTIR-ML是快速诊断CL的可行工具,特别是使用血清样本.
- 数据分析策略对于FTIR-ML诊断模型的成功至关重要.
- 尽量减少样本变异性是提高复杂生物矩阵诊断精度的关键.
