开发和应用一个优化的贝叶斯收缩预先用于光谱生物医学诊断的应用

科学领域:

• 频谱学是一种光谱学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 对生物物质来说,振动光谱的分类是具有挑战性的,因为它们具有相似的分子键.
• 现有的方法是计算密集型,容易过度装配.
• 贝叶斯方法中的收缩先验有助于通过偏好更简单的模型来缓解过拟合.

研究的目的:

• 开发一种使用缩小先验的振动光谱的新型分类方法.
• 为了评估逻辑-正常连续模拟的和板 (LN-CASS) 模型的性能.
• 评估模型在分类生物样本,特别是用于性别确定的唾液的准确性.

主要方法:

• 作为一个收缩前,利用了和板 (LN-CASS) 的logit-normal连续模拟.
• 模拟的振动光谱数据,包括密度函数理论计算和唾液的拉曼光谱.
• 与传统方法比较LN-CASS性能,例如最小绝对收缩和选择操作员 (LASSO) 和马先验.

主要成果:

• 根据LN-CASS模型,高分类精度 (AUC>90%) 即使具有比观察更多的参数.
• 贝叶斯模型在用于光谱分析的交叉验证时获得了高准确度.
• 通过Leave-One-Out交叉验证,LN-CASS在从唾液拉曼光谱中预测性别方面实现了100%的准确性.

结论:

• LN-CASS模型为振动光谱分类提供了一个计算效率高,准确的方法.
• 这种方法在帮助从小型光谱数据集的诊断方面具有潜在的应用.
• 该方法与各种光谱数据格式兼容,包括IR和拉曼光谱,用于生物医学诊断传感.