使用机器学习算法来精确区分光光谱数据中的糖尿素
Rahat Ullah1, Imran Rehan2, Saranjam Khan3
1National Institute of Lasers and Optronics College, Pakistan Institute of Engineering and Applied Sciences, Nilore, Islamabad 45650, Pakistan.
概括
这项研究表明,光谱学和随机森林机器学习可以准确地检测糖尿病患者的糖尿素 (尿液中的过多糖). 非侵入性方法达到96%的准确性,提供了一个有前途的诊断工具.
科学领域:
- 生物医学诊断 生物医学诊断
- 分析化学是一种分析化学.
- 机器学习在医疗保健中的应用
背景情况:
- 葡萄糖尿,糖尿病的标志物,需要准确和可访问的诊断方法.
- 当前的诊断方法可能缺乏方便性或特异性.
- 寻求非侵入性技术来改善患者的治疗结果.
研究的目的:
- 评估光光谱学与机器学习相结合,用于诊断葡萄糖尿.
- 为了区分糖尿病患者和健康对照的尿样.
- 建立一个非侵入性,准确的诊断工具,用于糖尿病相关的葡萄糖尿.
主要方法:
- 使用光光谱 (200-950 nm) 分析的尿样.
- 随机森林 (RF) 和K-最近邻居 (KNN) 算法用于分类.
- 主要组件分析 (PCA) 用于缩小维度.
主要成果:
- 基于射频的模型实现了96%的准确性,100%的特异性,93%的灵敏性和100%的精度.
- 在健康和糖尿病尿样之间发现了不同的光谱图案.
- 10次交叉验证证实了强大的模型性能.
结论:
- 使用射频机器学习的光光谱法是诊断糖尿症的高度准确方法.
- 非侵入性方法为糖尿病患者的监测提供了一个有希望的替代方案.
- 这种技术可以带来更方便,更精确的临床诊断.
