机器学习管道与定制网格搜索用于结肠直肠拉曼光谱数据

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:

• 结肠直肠癌 (CRC) 是一个重要的全球健康问题.
• 早期发现CRC对于成功治疗结果至关重要.
• 目前的诊断方法可能是侵入性的或缺乏实时反.

研究的目的:

• 为了评估手持式拉曼光谱学与机器学习相结合的有效性,用于分类结直肠组织.
• 开发和优化分类模型,以区分健康和癌症结直肠组织.
• 探索对不平衡的生物医学数据集的先进模型选择策略.

主要方法:

• 从155名接受结肠镜检查的参与者中收集了330个拉曼光谱的数据集.
• 应用到光谱数据的标准化预处理管道.
• 定制网格搜索优化了超参数和预处理,优先考虑不平衡数据的平衡精度.

主要成果:

• 决策树 (DT) 和支持向量分类器 (SVC) 模型实现了最高的平衡精度.
• DT实现了71.77%的平衡精度,SVC实现了70.77%的平衡精度.
• 这些模型的表现优于使用传统方法训练的模型,表现出更好的分类性能.

结论:

• 手持式拉曼光谱显示出作为结直肠癌快速,非破坏性查工具的潜力.
• 定制的模型选择策略,专注于平衡的准确性,对于不平衡的生物医学数据至关重要.
• 这种方法是朝着改善CRC检测的临床验证迈出的有希望的一步.