使用超光谱成像和卷积神经网络的纳米药物输送系统的无标签分类
1School of Mechanical Engineering, Purdue University, West Lafayette, IN, United States of America.
International journal of pharmaceutics
|August 30, 2025
概括
这项研究提出了一种非侵入性高光谱成像 (HSI) 方法,使用深度学习来分类无标签的脂质体. 先进的3D CNN-SMOTE模型准确地区分治疗性脂质体以进行质量控制.
科学领域:
- 制药纳米技术
- 光谱学
- 人工智能
背景情况:
- 纳米级药物输送系统的无标签表征具有挑战性.
- 像冷电子显微镜这样的传统方法是缓慢的,通量低,可能需要标记.
- 标签可以改变纳米粒子的特性,并干扰药物输送功能.
研究的目的:
- 开发一种非侵入性高光谱成像 (HSI) 框架来分类治疗性脂质体.
- 整合深度学习,特别是3D卷积神经网络 (3D CNN),以加强分类.
- 使用合成少数超样本技术 (SMOTE) 解决药物数据集中的类不平衡问题.
主要方法:
- 使用可见和近红外 (VNIR) 范围 (400-1000 nm) 的暗场超光谱成像 (HSI) 来捕获脂质体光谱数据.
- 应用尺寸缩小 (主要组件分析 - PCA) 和补丁提取用于数据预处理.
- 在模型训练之前使用合成少数超标采样技术 (SMOTE) 来平衡数据集类别.
- 训练了一个3D卷积神经网络 (3D CNN) 模型来提取空间光谱特征进行分类.
主要成果:
- 3D CNN-SMOTE模型的分类准确率高达99.16%.
- 在所有脂质组类别中获得了近乎完美的F1分数,表明性能强.
- 该框架成功地区分了对照和多克索鲁比辛载入的脂质体.
结论:
- 无标签的HSI框架为分类脂肪体药物载体提供了强大且可扩展的方法.
- 这种方法为纳米颗粒配方和制造中的实时,非破坏性质量控制提供了有希望的工具.
- 该方法广泛适用于药物开发,包括批量验证和封装效率选.
