基于数字多模式光谱的质瘤识别,与深度学习功能融合集成,使用小型拉曼光谱仪进行识别

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.
• 人工智能的人工智能

背景情况:

• 微型纤维拉曼光谱技术提供非侵入性,实时,无标签的生物分子分析,有可能用于早期癌症诊断.
• 质瘤检测面临的挑战是由于光谱异质性和微型光谱仪的低信号噪声比,影响了模型的准确性.
• 现有的多模式瘤检测方法通常需要多种仪器,增加硬件成本.

研究的目的:

• 开发一种使用微型拉曼光谱的准确且具有成本效益的质瘤识别方法.
• 通过将数字多式联络频谱与深度学习特征融合 (DMS-DLFF) 整合来增强脑质瘤识别.
• 改进用于便携式和低成本应用的手术内瘤检测仪器.

主要方法:

• 将原始光谱数学分解为拉曼和光成分,以增强生物光谱信息.
• 应用深度学习从两种光谱中提取特征,实现特征级数字多式联络光谱融合.
• 使用集成策略和包装策略构建了一个双层模式识别模型,以增强支持向量机算法.

主要成果:

• 拟议的DMS-DLFF方法在脑质瘤检测方面实现了高准确度 (91.9%),灵敏度 (96.7%) 和特异性 (80.8%).
• 与传统算法相比,在区分质瘤和正常脑组织方面表现出更好的性能.
• 收集了260个质瘤和151个正常大脑组织的拉曼光谱,用于模型训练和验证.

结论:

• 在没有额外的硬件成本的情况下,DMS-DLFF方法有效地提高了脑质瘤检测的准确性.
• 这种方法为精确的手术规划和改善神经瘤学患者预后提供了有前途的工具.
• 与深度学习集成的数字多式联络频谱为克服微型光谱分析的局限性提供了一个强大的策略.