相关实验视频
Updated: Jul 3, 2026

06:49
Automated Analysis of Dynamic Ca2+ Signals in Image Sequences
Published on: June 16, 2014
17.1K
预测超声向脂质体中的素释放:随机森林和支持矢量机器的比较分析
Ibrahim Shomope1, Kelly M Percival1, Nabil M Abdel Jabbar1
1Department of Chemical and Biological Engineering, American University of Sharjah, Sharjah 26666, United Arab Emirates.
Technology in cancer research & treatment
|November 14, 2024
概括
随机森林 (RF) 模型在预测低频超声波 (LFUS) 触发的向脂质体的药物释放方面优于支持矢量机器 (SVM). 射频模型在各种功率密度中表现出卓越的精度.
科学领域:
- 生物医学工程 生物医学工程
- 药物输送系统 药物输送系统
- 机器学习应用 机器学习应用
背景情况:
- 向性脂质体提供精确的药物输送.
- 超声波触发的释放允许时空控制.
- 预测模型对于优化药物输送参数至关重要.
研究的目的:
- 为了比较随机森林 (RF) 和支持矢量机 (SVM) 算法的预测性能.
- 评估这些模型来预测超声波触发的素释放,向脂质体.
- 在不同低频超声波 (LFUS) 功率密度下评估模型性能.
主要方法:
- 合成和描述充满素的脂质体,并针对七种不同的部分.
- 利用动态光散射和比辛酸试验进行了表征.
- 使用MAE,MSE,R2和a20指数等指标训练和评估RF和SVM模型.
主要成果:
- 与SVM相比,随机森林 (RF) 模型始终表现出优越的性能.
- 在所有测试的LFUS功率密度中,RF实现了超过0.96的R2得分.
- 射频显示与实验数据有很强的相关性,特别是在更高功率密度下.
结论:
- 随机森林 (RF) 是一个比支持矢量机 (SVM) 更有效的算法,用于预测目标脂质体的药物释放.
- 这两种模型都有潜在的应用,具体取决于具体的预测要求.
- 这些发现支持使用机器学习来优化超声波介导药物输送.
关键词:
人工智能的人工智能是人工智能.石灰中的石灰药物输送是药物输送的过程.药物释放释放药物释放药物释放的时间机器学习是机器学习.功率密度 功率密度 功率密度随机的森林随机的森林支持矢量机器的支持矢量机器.超声波超声波是指超声波的使用.更多相关视频
12:00Synthesis of Gold Nanoparticle Integrated Photo-responsive Liposomes and Measurement of Their Microbubble Cavitation upon Pulse Laser Excitation
Published on: February 24, 2016
8.1K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K