相关实验视频
Updated: Jan 13, 2026
04:47
Multimodal Optical Imaging Platform for Studying Cellular Metabolism
Published on: June 6, 2025
996
一个深度的多模式融合框架,集成SERS,临床数据和代谢学,用于非侵入性MASH诊断
Weilin Wu1, Dechan Lu1,2, Yan Ni3
1Key Laboratory of OptoElectronic Science and Technology for Medicine of Ministry of Education, Fujian Provincial Key Laboratory of Photonics Technology, Fujian Normal University, Fuzhou 350117, China.
Analytical chemistry
|January 10, 2026
概括
一个新的AI模型MedFusionNet (MFN) 通过结合光谱学,临床数据和胆酸分析,准确诊断代谢功能障碍相关的脂肪肝炎 (MASH). 这种多式联运方法为早期MASH检测提供了一个有前途的工具.
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
- 肝病学 肝病学是一种肝病学.
背景情况:
- 与代谢功能障碍相关的脂肪性肝病 (MASLD) 和其渐进的形式,与代谢功能障碍相关的脂肪性肝炎 (MASH),带来了诊断挑战.
- 表面增强拉曼光谱 (SERS) 显示了分子敏感性的潜力,但缺乏MASH的独立诊断准确性.
研究的目的:
- 开发一个新的多式联网深度学习框架,MedFusionNet (MFN),用于非侵入性MASH诊断.
- 整合SERS光谱,临床生物化学 (CB) 参数和胆酸 (BA) 代谢学,以提高诊断性能.
主要方法:
- MFN使用基于专家产品 (PoE) 的变量融合架构来捕捉跨模式交互.
- 一个多损失优化策略从不同的数据类型中共同学习一个共享的潜在表示.
- 为了解释性和验证,使用了夏普利添加式解释 (SHAP) 和5倍交叉验证.
主要成果:
- 与传统和基线多式模式相比,MFN在240名MASLD患者的队列中表现出卓越的预测准确性和稳定性.
- 该框架成功地整合了SERS,CB和BA数据,以增强MASH诊断能力.
- SHAP分析为模型的决策过程在不同数据模式中提供了细致的解释性.
结论:
- MFN为早期MASH检测提供了一个可扩展和临床可行的框架.
- 多模式深度学习方法在诊断复杂的肝脏疾病方面具有重大潜力.
- 这项研究强调了将各种数据源集成为先进的非侵入性诊断的有效性.
