基于SERS的血清分析与2D卷积神经网络和格拉米安角场相结合,用于乳腺癌查

科学领域:

• 生物医学工程 生物医学工程
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 乳腺癌仍然是全球女性死亡的主要原因,需要改进诊断工具.
• 传统的乳腺癌查方法,如医学成像和病理学有局限性.
• 表面增强拉曼光谱法 (SERS) 在生物样本中提供高灵敏度和速度的分子指纹.

研究的目的:

• 开发和评估一种新的深度学习模型,以使用血清SERS数据准确地分类乳腺癌.
• 研究格拉米安角场 (GAF) 算法的有效性,将1D SERS数据转换为2D图像,以进行增强分析.
• 将拟议的2D-CNN-GAF模型与传统机器学习算法的性能进行比较.

主要方法:

• 使用SERS分析了640名乳腺癌患者和健康志愿者的血清样本.
• 使用GAF算法将1D SERS数据转换为2D光谱图像.
• 一个2D卷积神经网络-GAF (2D-CNN-GAF) 模型被训练并测试用于乳腺癌分类.

主要成果:

• 与1D-CNN,SVM,KNN和PCA-LDA相比,2D-CNN-GAF模型实现了更高的性能.
• 关键性能指标包括AUC为0.9884,准确度为98.13%,灵敏度为98.65%,特异性为97.67%.
• 该方法证明了准确和自动分类,不需要光谱数据增强或预处理.

结论:

• 2D-CNN-GAF模型提供了一种高度准确,敏感和特定的方法,用于从血清SERS数据中对乳腺癌进行分类.
• 这种方法简化了光谱数据处理,为早期癌症查提供了用户友好和高效的工具.
• 该方法对乳腺癌查具有重大潜力,并可作为其他癌症分类任务的参考.