应用虚拟样本生成和集体建模来改善癌症的光谱诊断
概括
近红外 (NIR) 光谱与自适应合成采样 (ADASYN) 和部分最小方形差异分析 (PLS-DA) 结合,显著提高了癌症诊断的灵敏度,特别是在不平衡的数据集中. 这种方法为开发快速且具有成本效益的诊断方法提供了有前途的工具.
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:
- 癌症诊断对于患者的治疗和生存至关重要.
- 近红外光谱 (NIR) 提供了一种快速,具有成本效益的诊断方法.
- 瘤数据集中的类失衡会对诊断模型的性能产生负面影响.
研究的目的:
- 研究与虚拟样本生成 (VSG) 结合的NIR光谱和用于癌症诊断的整体策略.
- 解决类不平衡,提高诊断模型的灵敏度.
- 评估VSG技术的可行性,以改善癌症检测.
主要方法:
- 使用NIR光谱与数据驱动的算法,包括歧视性分析 (DA) 和部分最小方位歧视性分析 (PLS-DA).
- 采用了三个VSG算法:合成少数群体过量采样技术 (SMOTE),边界线-SMOTE和自适应合成采样 (ADASYN).
- 开发了使用不同数量的少数类样本 (5,10,25) 和固定多数类样本 (54个样本) 的训练集的诊断模型.
主要成果:
- 所有VSG方法,特别是PLS-DA,在不同训练组合组合中显著提高了癌症诊断灵敏度.
- 在测试的VSG算法中,ADASYN表现最好.
- 整合NIR,PLS-DA和ADASYN被证明是有效的,可以提高不平衡数据集的诊断准确性.
结论:
- NIR光谱,PLS-DA和ADASYN的结合是开发有效的癌症诊断方法的有希望的工具包.
- 在光谱癌症诊断中,VSG技术,特别是ADASYN,对于克服阶级不平衡的挑战是有价值的.
- 这种综合方法具有快速,经济有效和敏感的癌症检测的潜力.
