使用FTIR光谱和机器学习检测腹膜,卵巢和肠道子宫内膜异位症

科学领域:

• 生物医学光谱学 生物医学光谱学
• 计算生物学 计算生物学
• 妇科瘤学 妇科瘤学

背景情况:

• 子宫内膜异位症是一种复杂的妇科疾病,影响生育年龄的女性.
• 准确诊断卵巢,肠道和腹膜内膜异位症对于有效的管理至关重要.
• 目前的诊断方法可能是侵入性的,可能有局限性.

研究的目的:

• 评估福里埃变换红外光谱法 (FTIR) 与用于检测子宫内膜异位症的机器学习相结合的诊断潜力.
• 用Boruta算法识别不同类型子宫内膜异位症的关键光谱特征.
• 为了比较深度学习 (DL),支持矢量机 (SVM) 和XGBoost算法对子宫内膜异位症分类的性能.

主要方法:

• 福利埃变换红外光谱法 (FTIR) 用于分析子宫内膜组织.
• 波鲁塔算法用于特征选择,以识别有信息的光谱间隔.
• 三个机器学习模型 (DL,SVM,XGBoost) 被训练并使用全谱数据和选定的特征进行评估.

主要成果:

• 与DL和SVM相比,XGBoost在所有子宫内膜异位症类型中表现优越.
• 使用Boruta的特征选择显著提高了XGBoost的准确性,达到卵巢的0.93,肠道的0.88和腹膜内膜异位症的0.90.
• 选择的光谱间隔提供了与子宫内膜组织分子变化相关的特征波数范围.

结论:

• 有针对性的光谱特征选择提高了对子宫内膜异位症的机器学习模型的诊断准确性.
• XGBoost与Boruta选择的光谱间隔相结合,为非侵入性子宫内膜异位症检测和差异化提供了一种可靠的方法.
• 这种方法有可能改善子宫内膜异位症的临床诊断和管理.