快速诊断的细菌性阴道炎使用机器学习辅助的表面增强拉曼光谱的人类阴道液

科学领域:

• 生物医学诊断 生物医学诊断
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 细菌性阴道炎 (BV) 是一种普遍的妇科疾病,与严重的健康风险有关.
• 目前对BV的诊断方法受到主观性,复杂性和高成本的影响.
• 准确和快速的BV检测对于及时干预和改善患者结果至关重要.

研究的目的:

• 通过将表面增强拉曼散射 (SERS) 与机器学习 (ML) 算法集成,开发和验证一种新的细菌性阴道炎 (BV) 诊断方法.
• 与传统诊断方法相比,评估拟议的SERS-ML方法的准确性和效率.
• 为在临床实验室中建立一个简单,快速和具有成本效益的BV诊断工具.

主要方法:

• 使用已知方法 (BVBlue测试,临床显微镜) 收集阴道液样本并将其分类为BV阳性或阴性.
• 从样本中获得了表面增强拉曼散射 (SERS) 光谱数据,以构建一个全面的数据集.
• 开发和优化了多种机器学习 (ML) 模型,包括卷积神经网络 (CNN),用于光谱分析和分类.

主要成果:

• 在SERS光谱分析中,BV阳性和阴性样本之间的特征峰值差异显而易见.
• 优化卷积神经网络 (CNN) 模型在初步测试中实现了99%的预测准确性.
• 在40个新样本的盲检测显示,CNN模型在诊断BV时的准确率为90.75%,验证了其临床潜力.

结论:

• 综合SERS和ML方法为细菌性阴道炎诊断提供了一个高度准确和快速的方法.
• 这种新的技术是简单的,具有成本效益,并显示出重要的潜力来补充现有的临床诊断工具.
• 开发的方法可以通过在医疗机构中提供更容易获得和可靠的BV检测选项来增强患者护理.