基于Kan-AAE的合成SERS光谱生成方法用于精确的癌症鉴定.

科学领域:

• 生物医学光谱学 生物医学光谱学
• 机器学习在瘤学中
• 计算生物学 计算生物学

背景情况:

• 表面增强拉曼光谱 (SERS) 提供了一种非侵入性,快速的癌症检测方法.
• 无标签的SERS需要机器学习,因为患者数据有限而受到阻碍,导致过度拟合和不良概括.
• 血液血清样本的稀缺性是一个重大挑战,因为收集的复杂性和保密性问题.

研究的目的:

• 为解决基于SERS的癌症检测中的数据稀缺问题.
• 提出和验证一种用于生成合成SERS光谱的新方法.
• 用增强数据提高机器学习分类器用于癌症诊断的性能.

主要方法:

• 开发了KAN-AAE方法,将Kolmogorov-Arnold网络 (KAN) 和对抗性自动编码器 (AAE) 结合起来,用于合成SERS光谱的生成.
• 从癌症患者,其他疾病患者和健康个体的血清样本中收集SERS光谱.
• 在现有的SERS数据上训练了KAN-AAE模型,并生成了合成光谱,这些光谱与实数据相结合,用于分类器训练.

主要成果:

• 该KAN-AAE方法成功地产生了高质量和可靠的合成SERS光谱.
• 结合合成和真实数据,在各种模型 (逻辑回归,决策树,MLP,1D-CNN,KAN) 中,分类准确度提高了1%至3%.
• 在对增强数据集进行训练时,KAN分类器实现了最高准确率95.62%.

结论:

• 拟议的KAN-AAE方法有效地克服了基于SERS的癌症检测有限数据的挑战.
• 合成SERS光谱生成显著提高了机器学习分类器的准确性和概括能力.
• 这种方法有望通过先进的光谱学和机器学习技术来改善非侵入性癌症诊断.