癌症诊断基于激光诱导的分解光谱学与包装投票的融合模型

科学领域:

• 生物医学工程 生物医学工程
• 分析化学 分析化学
• 计算生物学 计算生物学

背景情况:

• 早期癌症检测显著改善了患者的治疗结果.
• 激光诱导分解光谱 (LIBS) 显示了癌症诊断的潜力.
• 单一的机器学习模型在全面的癌症诊断方面存在局限性.

研究的目的:

• 开发和评估一个包装-投票融合 (BVF) 算法,用于使用LIBS检测多种癌症.
• 通过整合各种机器学习模型来提高癌症诊断的准确性和效率.

主要方法:

• 从肝,肺和食道癌患者的血清样本收集LIBS光谱数据,以及健康对照.
• 通过融合支持向量机 (SVM),人工神经网络 (ANN),K-最近邻居 (KNN),二次差异分析 (QDA) 和随机森林 (RF) 模型,开发了一个BVF模型.
• 将BVF模型应用于在微阵列基板上干燥的血清样本,以进行检测和识别.

主要成果:

• 在四种血清类型中,BVF模型实现了高精度 (92.53%) 和回忆 (92.92%).
• 该BVF模型显著优于最好的单一模型 (SVM:准确率75.86%).
• 使用特征提取的BVF模型检测和识别单个癌症只需要140秒.

结论:

• 与BVF算法相结合的LIBS在检测多种癌症类型方面表现出色.
• 这种综合方法为癌症诊断提供了一种新,高效和准确的方法.
• 由于BVF模型能够融合多种算法,从而提高了诊断的全面性.