通过整合卷积神经网络和支向量机器,提高基于血清拉曼光谱的球菌病诊断模型的性能
Yukang Huang1, Jiahui Huang1, Xiangxiang Zheng1
1School of Electrical Engineering and Automation, Tianjin University of Technology, Tianjin 300384, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|September 20, 2025
概括
一种新的CNN-SVM模型使用血清拉曼光谱准确地检测到球菌. 这种先进的诊断工具显示了早期疾病识别和改善患者结果的巨大潜力.
科学领域:
- 生物医学诊断 生物医学诊断
- 寄生虫学的寄生虫学
- 计算生物学 计算生物学
背景情况:
- 脊髓灰质炎是一种严重的动物性寄生虫病,需要快速诊断.
- 目前对球菌的诊断方法在准确性和速度方面存在局限性.
- 拉曼光谱与人工智能相结合,显示了对球菌病检测的前景.
研究的目的:
- 开发一种高精度的诊断模型来诊断球菌病.
- 为了比较CNN-SVM组合模型与独立方法的性能.
- 评估该模型在区分球菌病与其他疾病方面的有效性.
主要方法:
- 分析了来自573个样本的血清拉曼光谱.
- 一个卷积神经网络 (CNN) 提取了光谱特征.
- 支持矢量机 (SVM) 使用CNN-SVM模型对这些特征进行了分类.
主要成果:
- 该CNN-SVM模型在分类四个组中实现了96.5%的准确性.
- 这超过了独立的CNN (92.3%) 和SVM (89.3%) 模型.
- 该CNN-SVM模型的表现也超过了用于检测球菌病的传统测试 (96.5%与88.7%相比).
结论:
- 拟议的CNN-SVM模型为球菌病提供了卓越的诊断性能.
- 这种人工智能驱动的方法显示出临床应用的巨大潜力.
- 通过这种方法可以实现准确和快速的尖球菌查.
