通过HOF-ATR-MIR光谱学与深度学习进行乳腺癌和现场孤立诊断的研究

科学领域:

• 生物医学光谱学 生物医学光谱学
• 医学诊断 医学诊断 医学诊断
• 医疗保健中的机器学习

背景情况:

• 中红外光谱 (MIR) 分析乳腺组织中的宏分子变化.
• 机器学习 (ML) 模型可以利用光谱数据进行组织分类.
• 一维卷积神经网络 (1D-CNNs) 擅长处理像光谱这样的序列数据.

研究的目的:

• 开发和评估1D-CNN模型,准确分类正常,准癌和癌症乳腺组织.
• 为了研究MIR光谱学与空心光纤减弱总反射 (HOF-ATR) 探针相结合的有效性,用于现场组织分析.
• 将1D-CNN模型的性能与用于识别乳腺组织的传统ML算法进行比较.

主要方法:

• 在现场采集MIR光谱,使用自主开发的HOF-ATR探针和FTIR光谱仪.
• 基线校正 (BC) 和数据增强技术对MIR光谱数据的应用.
• 开发和培训1D-CNN模型用于乳腺组织的三元分类.
• 使用支持矢量机 (SVM-DA),支持矢量回归 (SVR),主要组件分析-费舍尔区分分析 (PCA-FDA) 和主要组件分析-K-最近邻居 (PCA-KNN) 模型进行比较分析.

主要成果:

• 1D-CNN模型实现了95.09%的总准确性,用于分类正常,准癌和癌症乳腺组织.
• 与SVM-DA (90.00%),SVR (88.89%),PCA-FDA (67.78%) 和PCA-KNN (70.00%) 相比,1D-CNN模型显示出更高的区分能力.
• 基线校正和数据增强显著提高了1D-CNN分类结果的精度.

结论:

• 当使用1D-CNN模型进行分析时,MIR光谱为乳腺组织分类提供了精确有效的方法.
• 开发的1D-CNN方法显示出作为乳腺癌诊断的智能工具的巨大潜力.
• 这项研究建立了一个新的三元分类模型来识别乳腺组织,其性能优于现有的ML方法.