使用监督机器学习的近红外光谱作为中性衰竭的查工具
José Joaquim Raposo-Neto1,2, Eduardo Kowalski-Neto1, Wilson Barros Luiz2,3
1Department of Health Sciences, State University of Santa Cruz, Ilhéus 45662-900, Brazil.
Journal of personalized medicine
|January 26, 2024
概括
指尖的非侵入性近红外光谱 (NIR) 与人工智能 (AI) 和机器学习相结合,显示出在癌症患者中检测中性衰竭的前景. 这种方法可以减少侵入性检测,防止不必要的化疗.
科学领域:
- 生物医学工程 生物医学工程
- 医学光谱学 医学光谱学
- 医疗保健中的人工智能
背景情况:
- 中性缺血症是瘤病患者的关键病症,通常需要侵入性血液检查进行监测.
- 需要非侵入性诊断工具来改善患者护理和减少医疗负担.
- 近红外光谱 (NIR) 为生物样本分析提供了一种潜在的非侵入性方法.
研究的目的:
- 评估指尖NIR光谱与AI结合用于检测固体瘤瘤患者中性质衰竭的疗效.
- 探索机器学习算法用于分析NIR光谱数据的应用.
- 评估这种非侵入性方法在临床环境中的潜力.
主要方法:
- 收集了75名固体瘤瘤患者的指尖NIR光谱和完整血液样本.
- 使用Savitzky-Golay平滑和异常值检测预处理的NIR光谱.
- 应用监督机器学习算法 (LDA,LR,RF,MLP,SVM) 具有五倍交叉验证.
主要成果:
- 支持矢量机 (SVM) 模型在验证中实现了85%的灵敏度和89%的负预测值 (NPV).
- 在试验组中,SVM模型显示了67%的灵敏度和82%的NPV.
- 该研究强调了使用NIR光谱和机器学习来检测中性质衰竭的可行性.
结论:
- 指尖NIR光谱与机器学习相结合,提供了一种非侵入性方法,可以及时检测瘤病人的中性质衰竭.
- 这种方法可以减少对侵入性血液检测的需要,并防止在中性衰竭患者中不经意地进行化疗.
- 需要进一步的研究和验证,以便将这项技术纳入常规临床实践.
