通过UV-Vis-NIRS与深度神经网络相结合,对血清生物化学指数的定量检测

科学领域:

• 生物医学光谱学 生物医学光谱学
• 计算生物学 计算生物学
• 临床化学 临床化学

背景情况:

• 准确有效地检测临床血清生物化学指数对于疾病诊断和管理至关重要.
• 分析血清生物化学指数的传统方法可能耗时,昂贵,需要专门的实验室设置.
• 需要先进的分析技术,以快速,经济高效和准确地量化多个血清生物标志物.

研究的目的:

• 开发和验证一种用于同时,快速和经济高效检测五个关键血清生物化学指数的新方法:葡萄糖 (GLU),甘油三 (TG),总胆固醇 (TC),总蛋白质 (TP) 和白蛋白 (ALB).
• 探索紫外-可见-近红外光谱 (UV-Vis-NIRS) 与深度神经网络 (DNN) 算法相结合的协同潜力,用于定量光谱分析.
• 将拟议的DNN模型与传统的机器学习 (ML) 和人工神经网络 (ANN) 算法的性能进行比较,用于生物化学指数预测.

主要方法:

• 992个人体血清样本的吸收光谱在200-2500纳米范围内采集,使用UV-Vis-NIRS技术.
• 采用了Spectra预处理技术以减轻干扰和基线漂移,随后进行了竞争性适应性重权取样 (CARS) 以获得最佳特征波长选择.
• 一个1D卷积神经网络长期短期记忆 (1DCNN-LSTM) 模型被开发用于定量预测,数据分为7:3训练和测试集.

主要成果:

• 与传统的ML和ANN算法相比,1DCNN-LSTM模型显示了GLU,TG,TC,TP和ALB的优异定量预测性能.
• 预测准确度很高,所有五个指数的确定系数 (R2) 从0.90到0.97不等,预测平均平方误差 (RMSEP) 低.
• 与DNN相结合的UV-Vis-NIRS显示出与单独的NIRS或UV-Vis光谱学相比显著的优势,证实了综合方法的有效性.

结论:

• 结合UV-Vis-NIRS技术和DNN,特别是1DCNN-LSTM模型,为快速,经济高效和方便地检测多个临床血清生物化学指数提供了强大而准确的方法.
• 这种新的方法提供了一个有前途的新途径和强大的技术支持,以推进血清生物标志物分析的临床应用.
• 这项研究验证了集成的UV-Vis-NIRS和DNN系统作为传统诊断方法的可行替代方案,为改进的临床检测和个性化医疗铺平了道路.