基于多维质量指标和机器学习算法的Scutellariae radix的来源识别
Xiao-Lu Liu1, Tong Zhu1,2, Ming-Yue Zhang2
1School of Chinese Materia Medica, Chongqing University of Chinese Medicine, Bishan, Chongqing 402760, China.
Molecules (Basel, Switzerland)
|February 27, 2026
概括
这项研究开发了一种机器学习方法,使用质量指标追踪Scutellariae radix的起源. 随机森林模型准确地确定了Scutellariae radix起源,在有限的数据下表现优于神经网络.
科学领域:
- 药理学是指药理学,即药理学是指药理学.
- 计算化学的计算化学
- 药用植物研究 药用植物研究
背景情况:
- Scutellariae radix是中国传统医学的重要组成部分.
- 准确的来源识别对于质量控制和治疗疗效至关重要.
- 目前用于识别Scutellariae radix起源的现有方法在准确性和效率方面面临挑战.
研究的目的:
- 通过使用多维质量指标和机器学习,建立Scutellariae radix的原产地识别方法.
- 为了使Scutellariae radix从不同生产区域的精确和快速可追溯.
- 为了比较各种机器学习模型的原产地识别性能.
主要方法:
- 从四个来源收集了43批Scutellariae根样.
- 测量了12个关键质量指标:黄,物理化学参数,色度和抗炎活性.
- 构建并比较了五种机器学习模型:随机森林 (RF),极端学习机器 (ELM),反向传播神经网络 (BP) 和辐射基函数神经网络 (RBF).
主要成果:
- 在不同来源的Scutellariae radix中,在关键质量指标中观察到显著的差异 (p < 0.05).
- 随机森林 (RF) 实现了最高的测试精度 (75%) 和一致的性能指标 (79.17%精度,回忆,F1分数).
- 神经网络 (ELM,BP,RBF) 的测试准确度较低 (66.67%),性能不同.
结论:
- 随机森林 (RF) 推用于Scutellariae radix起源识别,特别是在小样本场景中.
- 与数据有限的神经网络相比,像RF这样的组合方法有效地减轻了过度拟合,并增强了概括性.
- 未来的研究应该专注于扩展数据和超参数调整,以进一步提高分类准确性.
