基于梯度逆向对抗网络的乳腺癌血清检测中LIBS-FTIR光谱融合的批量效应校正
Shengqun Shi1, Lingling Pi2, Zehai Hou2
1Wuhan National Laboratory for Optoelectronics (WNLO), Huazhong University of Science and Technology, Wuhan, Hubei, 430074, PR China.
Talanta
|May 21, 2025
概括
这项研究引入了渐变逆向对抗网络 (GRAN),以改善乳腺癌检测,使用激光诱导分解光谱 (LIBS) 和富里埃变换红外光谱 (FTIR) 数据的组合. GRAN有效地纠正了批量效应,显著提高了非侵入性乳腺癌查的诊断准确性.
科学领域:
- 生物医学工程 生物医学工程
- 分析化学 分析化学
- 机器学习 机器学习
背景情况:
- 乳腺癌是女性的主要恶性瘤,需要早期,非侵入性和负担得起的诊断.
- 像LIBS和FTIR这样的光谱方法显示了乳腺癌检测的潜力.
- 在光谱数据中的批量效应阻碍了模型概括.
研究的目的:
- 开发一种方法来纠正乳腺癌诊断的光谱数据中的批量效应.
- 提高使用LIBS和FTIR数据组合的诊断模型的准确性和通用性.
- 建立一个强大的,非侵入性的乳腺癌检测方法.
主要方法:
- 结合激光诱导分解光谱 (LIBS) 和富里埃变换红外光谱 (FTIR) 在乳腺癌血清样本上.
- 开发了一个梯度逆向对抗网络 (GRAN) 来解决批量变化.
- 在GRAN中利用对抗机制来学习批量不变特征.
主要成果:
- 在不同的样本批次中,GRAN显著提高了分类准确性.
- 在训练一批并测试另一批时,达到89.7%的测试准确率.
- 在相似条件下表现优于传统模型,在相似条件下精度为63.7%.
结论:
- GRAN模型有效地纠正乳腺癌检测光谱数据中的批量效应.
- 与GRAN结合的光谱融合为强大的,非侵入性的乳腺癌诊断提供了一个有希望的途径.
- 这种方法为改进早期检测策略奠定了基础.
更多相关视频
07:54Surface-enhanced Resonance Raman Scattering Nanoprobe Ratiometry for Detecting Microscopic Ovarian Cancer via Folate Receptor Targeting
Published on: March 25, 2019
8.1K
00:07Excitation-Scanning Hyperspectral Imaging Microscopy to Efficiently Discriminate Fluorescence Signals
Published on: August 22, 2019
7.9K
