从生物感知到感知:协同的少数镜头学习,用于在高维度生物医学光谱中解释性数字生物标记物识别

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 癌症的诊断 癌症的诊断

背景情况:

• 使用体外诊断生物传感器的早期癌症检测受到分子生物标志物不足的限制.
• 数字生物标志物提供了全面的表型,但患有临床数据稀缺和概括问题.

研究的目的:

• 引入联结可解释的人工智能递归学习 (CEAIR),这是可解释的少数射击学习的框架.
• 通过使用高维生物传感器数据,从有限的血清样本中提取数字生物标志物.
• 改善早期癌症检测,特别是肝细胞癌.

主要方法:

• 开发了CEAIR,集成计算机视觉和合作游戏理论,以实现可解释的几次射击学习.
• 将CEAIR应用于从有限的血清样本获得的表面增强拉曼光谱生物传感器数据.
• 利用经典的机器学习算法进行分类和外部验证.

主要成果:

• 来自CEAIR的数字生物标志物在肝细胞癌检测中显著优于传统的循环分子生物标志物.
• 在多个分类器中实现的曲线下面积值始终超过0.97.
• 在外部验证后展示了强大的概括能力.

结论:

• CEAIR有效地克服了从高维,小样本生物传感器数据中生成诊断知识的局限性.
• 该框架学习可靠的数字生物标志物,以便对复杂疾病进行可靠,非侵入性和及时的诊断.
• 突出了人工智能驱动的数字生物标志物在临床诊断中的潜力.