数据特征AI辅助拉曼光谱在病理分类中的应用

科学领域:

• 生物医学光谱学 生物医学光谱学
• 人工智能在诊断中的应用
• 计算病理学计算病理学

背景情况:

• 拉曼光谱技术使得用于病理诊断的无标签生物分子分析成为可能.
• 机器学习和深度学习等人工智能 (AI) 模型增强了基于拉曼光谱的疾病诊断.
• 对各种拉曼光谱数据特征进行最佳AI模型选择仍然是一个挑战.

研究的目的:

• 在各种拉曼光谱数据集上探索各种AI分类模型的性能.
• 开发一个数据特征辅助的AI分类模型,以优化AI性能.
• 为了提高包括癌症,细菌感染和糖尿病皮肤并发症在内的疾病的诊断准确度.

主要方法:

• 选择了五个具有不同特征的代表性拉曼光谱数据集 (子宫内膜癌,肝癌EVs,细菌,黑色素瘤,糖尿病皮肤).
• 评估的人工智能模型包括PCA-SVM,SVM,UMAP-SVM,ResNet和Alex.Net.
• 开发了一个数据特征辅助的AI模型,根据数据大小和KL差异优化参数.

主要成果:

• 深度学习模型ResNet在大型光谱数据大小数据集上表现优于PCA-SVM和UMAP.
• 数据特征辅助的人工智能模型显著提高了所有测试数据集的准确性.
• 糖尿病皮肤查的准确度从53.7%到85.5%,黑色素瘤细胞检测的准确度从89.3%到99.7%,平均耗时5秒.

结论:

• 一种数据特征辅助的AI方法有效地优化了用于拉曼光谱的AI模型选择.
• 这种方法提高了在各种病理条件下诊断的准确性.
• 优化的人工智能模型为临床应用提供高效准确的无标签生物分子分析.