经验模式分解和格拉斯曼多重基于宫癌检测

科学领域:

• 生物医学工程 生物医学工程
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 宫癌是全球女性死亡的主要原因之一.
• 早期和准确的检测对于有效的治疗和改善患者存活率至关重要.
• 光光谱为检测与癌症相关的生物化学变化提供了高灵敏度.

研究的目的:

• 开发和验证使用光光谱信号检测宫癌的可靠方法.
• 探索经验模式分解 (EMD) 和格拉斯曼多重体 (GM) 学习用于光谱信号分析的有效性.
• 提高诊断准确度,降低宫癌查中的计算成本.

主要方法:

• 从110名患有各种宫疾病的受试者那里收集了光光谱信号.
• 经验模式分解 (EMD) 将信号分解为内在模式函数 (IMF),用于特征提取.
• 格拉斯曼多元 (GM) 学习和低级别表示被用于非线性子空间分析和维度缩小.
• 应用相互信息来选择特征,然后使用随机森林 (RF) 和其他机器学习模型进行分类.

主要成果:

• 结合EMD和GM的方法有效地提取了独特的光谱特征.
• 使用相互信息的特征选择显著降低了计算负载.
• 随机森林 (RF) 分类器实现了99%的高五倍交叉验证精度,标准偏差为0.02.
• 与其他最先进的分类器相比,提出的方法显示出更高的性能.

结论:

• 整合EMD和GM学习为分析宫癌检测中的光光谱数据提供了一个强大的框架.
• 这种方法为早期诊断提供了一个高度准确和计算效率高的方法.
• 这些发现表明,光光谱学结合先进的机器学习技术在改善宫癌查和管理方面具有显著的潜力.