使用拉曼光谱和机器学习预测患有或没有2型糖尿病的人类皮质骨的骨折性
Muhammet Varli1, Sasidhar Uppuganti2, Jeffy S Nyman3
1Graduate School of Natural and Applied Sciences, Department of Mechatronics Engineering, Karamanoglu Mehmetbey University, Karaman 70200, Turkiye.
概括
2型糖尿病 (T2DM) 会增加骨的脆弱性. 通过分析骨组成, 拉曼光谱和机器学习能够准确预测骨折性, 这为评估代谢疾病中的骨质提供了一种新方法.
科学领域:
- 生物材料科学
- 整形医学
- 光谱学
背景情况:
- 2型糖尿病 (T2DM) 与骨脆弱性有关,但目前的临床方法无法检测与糖尿病相关的骨质变化.
- 拉曼光谱 (RS) 是一种无标签,非破坏性的技术,可提供详细的骨组成见解.
- 在RS的全光谱分析中,可能会发现传统指标所忽略的细微骨变化.
研究的目的:
- 评估拉曼光谱 (RS) 结合机器学习 (ML) 在预测人类皮层骨的骨折性方面的有效性.
- 调查RS全谱数据是否可以识别与2型糖尿病 (T2DM) 相关的骨质变化.
主要方法:
- 从60名非糖尿病患者和60名T2DM捐赠者 (年龄在50至97岁之间) 获取了人类皮层骨样本.
- 拉曼光谱 (RS) 数据是从裂传播之前的骨样本中获得的.
- 使用全频谱RS数据训练了8个机器学习 (ML) 模型来预测断裂性.
主要成果:
- 使用全频谱RS输入的堆积回归在预测裂纹开始性 (R2 = 0.81) 和断裂能量 (R2 = 0.86) 中取得了最高的准确性.
- ML模型通过捕捉RS显示的微妙骨组成变化成功预测了机械性质.
- 这项研究是首次将RS和ML用于T2DM中骨折性预测.
结论:
- 全谱拉曼光谱与机器学习相结合,可以有效预测骨的机械性质,包括骨折性.
- 这种方法为评估骨质和检测T2DM相关骨脆弱性提供了有前途的方法.
- 光谱技术有可能改善代谢疾病的骨质评估.
