拉曼光谱深度学习与信号聚合表示,用于增强细胞表型和特征识别
Songlin Lu1,2, Yuanfang Huang1, Wan Xiang Shen3
1The State Key Laboratory of Chemical Oncogenomics, Key Laboratory of Chemical Biology, Tsinghua Shenzhen International Graduate School, Tsinghua University, 2279 Lishui Road, Nanshan District, Shenzhen 518055, Guangdong, P. R. China.
PNAS nexus
|August 28, 2024
概括
新的2D表示可以改善拉曼光谱的深度学习,增强细胞识别. 新的DSCANets模型显著优于现有的准确,无标签的细胞分析方法.
科学领域:
- 频谱学是一种光谱学.
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 机器学习 (ML) 和深度学习 (DL) 用于使用拉曼光谱进行无标签的细胞识别.
- 挑战包括高维度,无序和低样本的光谱数据.
- 准确的细胞表型鉴定对于诊断,治疗和微生物学至关重要.
研究的目的:
- 为光谱数据开发新的特征表示.
- 增强用于细胞表型和特征识别的深度学习模型.
- 为了提高拉曼光谱分析的准确性和性能.
主要方法:
- 通过重组拉曼光谱和主要组件,引入了新的2D图像类双信号和组件聚合表示.
- 开发了新的卷积神经网络 (ConvNet) 模型,命名为DSCARNets.
- 在六个基准数据集和四个额外数据集上评估了DSCARNets.
主要成果:
- 在六个数据集上,DSCARNets显著超过了最先进的 (SOTA) ML和DL模型,在85-97%的准确度上实现了>2%的改进.
- 与SOTA模型相比,在四个额外的数据集上表现出强的性能,准确度>98%.
- 成功应用于缺乏已出版的监督表型分类模型的数据集.
- 可解释的DSCARNets识别了与实验发现一致的拉曼签名.
结论:
- 新的2D表示和DSCARNets增强了拉曼光谱的深度学习.
- 在细胞表型和特征识别方面取得了卓越的表现.
- 提供了一个强大的,可解释的工具,用于在各种应用中进行无标签细胞分析.
