研究将拉曼光谱和机器学习结合在老鼠子宫组织中进行妊娠年龄分类的潜力
Metin Tekin1, Cemaleddin Simsek2, Selim Buyukkurt3
1Graduate School of Natural and Applied Sciences, Department of Electrical and Electronics Engineering, Karamanoglu Mehmetbey University, Karaman 70200, Turkiye.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|November 2, 2025
概括
拉曼光谱与人工神经网络相结合,准确地根据妊娠年龄分类大鼠宫组织. 这种非侵入性方法对监测怀孕和评估自发早产风险充满希望.
科学领域:
- 生物化学 生物化学
- 医学光谱学 医学光谱学
- 计算生物学 计算生物学
背景情况:
- 自发早产 (SPB) 是全球婴儿死亡的主要原因.
- 目前的SPB检测方法有局限性,包括高错误阳性率.
- 子宫的生化变化先于分娩,提供了潜在的生物标志物.
研究的目的:
- 为了研究拉曼光谱 (RS) 和机器学习 (ML) 在大鼠宫组织中进行妊娠年龄分类.
- 评估各种ML算法的有效性,分析用于怀孕监测的RS数据.
- 建立在临床SPB风险评估中使用RS的基础.
主要方法:
- 活体拉曼光谱从老鼠宫组织中获得,跨越多个妊娠日 (15-20).
- 用各种ML算法分析了600个光谱的数据集:决策树,随机森林,SVM,K-NN和ANN.
- 对于每个ML模型来说,确定了分类准确性.
主要成果:
- 人工神经网络 (ANN) 模型实现了最高的分类准确率,达到87.5%.
- 其他ML模型的准确度较低,在58%至69%之间.
- 在妊娠第19天左右观察到错误分类的增加,这表明宫生化变异性增加.
结论:
- 整合拉曼光谱与ML,特别是ANN,是一种有前途的方法,可以通过宫生物化学成分对妊娠阶段进行分类.
- RS提供了一种非侵入性工具,用于监测怀孕进展.
- 这项研究支持RS在早期自发早产风险评估中未来临床应用的潜力.
