接近红外光谱与临床数据的探索性整合:在血清样本中检测HCV的机器学习方法

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:

• 慢性病毒感染,如C型肝炎病毒 (HCV) 构成严重的医疗保健挑战.
• 有效和快速的诊断方法对于控制HCV至关重要,尽管治疗方面取得了进展.
• 目前的HCV诊断程序需要提高普遍查的速度和可访问性.

研究的目的:

• 开发一种新的方法,以改善C型肝炎病毒 (HCV) 检测.
• 将近红外光谱 (NIRS) 与临床数据和机器学习 (ML) 结合起来,以提高HCV诊断.
• 探索NIRS作为一种快速,非破坏性和无残留的诊断替代方案.

主要方法:

• 利用L1-规范化的物流回归 (L1-LR) 来识别用于HCV检测的信息波长 (1,000-2,500nm).
• 整合选定的NIRS光谱特征与使用随机森林 (RF) 模型的常规临床标记.
• 分析了38名患者的137个血清样本,包括NIRS光谱和血液测试临床数据.

主要成果:

• 结合NIRS特征和临床数据的性能最佳的射频模型,实现了72.2%的准确性和AUC-ROC为0.850.
• 这种综合模型的性能优于仅使用临床或光谱数据的模型.
• 确定了关键波长 (例如1,150nm,1,410nm,1,927nm),与水状态和肝脏生物标志物 (GPT,GOT,GGT) 相相关.

结论:

• 通过机器学习将NIRS和临床数据整合起来,可以显著提高HCV诊断能力.
• 这种方法为早期HCV检测和风险评估提供了一个可扩展和非侵入性的替代方案.
• 这些发现支持在HCV诊断中光谱特征和临床标志物的生物学相关性.