使用便携式NIR光谱仪检测呼吸道病毒 - - 采用数据驱动方法进行初步探索

科学领域:

• 分析化学 分析化学
• 生物技术是生物技术.
• 机器学习应用 机器学习应用

背景情况:

• 准确检测呼吸道病毒对于流行病管理至关重要.
• 传统的实验室方法昂贵且耗时.
• 便携式近红外 (NIR) 光谱技术提供了低成本,快速和现场部署的替代方案,但在具体性和数据质量方面面临挑战.

研究的目的:

• 开发和验证一种机器学习增强的便携式NIR光谱法,用于检测呼吸道同胞病毒 (RSV) 和仙台病毒 (SEV).
• 通过先进的数据分析,克服NIR光谱中低特异性和交织的光谱特征的局限性.

主要方法:

• 使用便携式NIR光谱仪进行样本分析.
• 实施了一种机器学习方法,通过预测变量重要性 (VIP) 评分和量子值进行变量选择.
• 采用可变截断处理来提高模型的准确性.
• 使用四个数据集进行了广泛的实验,培训,验证和测试分期各不相同.

主要成果:

• 在不同实验设置中实现了RSV,SEV和联合检测的高分类准确性.
• 在模型验证过程中,RSV的平均精度高达0.94,SEV为0.97,RSV+SEV为0.97.
• 模型测试的平均准确率为0.90 (RSV),0.93 (SEV) 和0.91 (RSV + SEV).

结论:

• 便携式NIR光谱学,当用复杂的机器学习算法来增强时,证明了精确检测呼吸道病毒的可行性.
• 开发的方法为快速人口查和早期检测提供了可行的解决方案,有助于疫情准备.
• 这种方法解决了传统技术的局限性,提供了一个具有成本效益和高度可部署的诊断工具.