在阿片类样本中基于神经网络检测滥用药物,使用红外吸收光谱学
Joshua Jai1, Lea Gozdzialski1, Bruce Wallace2,3
1Department of Chemistry, University of Victoria, Victoria, Canada.
神经网络通过红外光谱学有效地检测非法药物中的低度 adulterants,如bromazolam和para-fluorofentanyl. 这些先进的模型在药物检查服务的传统机器学习中表现明显优于传统机器学习.
科学领域:
- 分析化学 分析化学
- 计算化学的计算化学
- 法医科学 法医科学 法医科学
背景情况:
- 非法毒品供应越来越多地含有低度的奸剂,挑战社区毒品检查服务.
- 检测这些伪造剂需要对来自诸如红外光谱仪等仪器的光谱数据进行复杂的分析.
- 复杂混合物的特征光谱特征很难用传统方法识别.
研究的目的:
- 开发和评估神经网络模型,用于检测药物样本中的布罗马佐拉姆和帕拉-芬太尼.
- 为了比较神经网络的性能与其他机器学习方法用于 adulterant 检测.
- 增强医疗保健点药物检查服务的能力.
主要方法:
- 红外吸收数据是在社区药物检查服务处收集的.
- 使用这些光谱数据来训练神经网络模型.
- 一个随机森林模型也在同一数据集上进行训练和优化,以便进行比较分析.
主要成果:
- 神经网络模型实现了高的检测准确性,马佐拉姆的F1分数为0.88和帕拉-芳为0.89.
- 随机森林模型的表现较低,bromazolam的F1评分为0.66和para-fluorofentanyl的F1评分为0.76.
- 神经网络在识别这些特定杂质方面表现出了卓越的表现.
结论:
- 神经网络在药物检查服务中的复杂药物检测任务中非常有效.
- 这种方法比传统的机器学习方法提供了显著的改进,用于识别低度 adulterants.
- 这些发现支持将先进的机器学习集成到现实世界的药物分析和公共卫生监测中.
更多相关视频
10:13Author Spotlight: An Efficient Methodology to Confidently Differentiate and Characterize Fentanyl Analogs
Published on: November 8, 2024
10:17High-throughput and Comprehensive Drug Surveillance Using Multisegment Injection-Capillary Electrophoresis-Mass Spectrometry
Published on: April 23, 2019
相关概念视频
IR Frequency Region: Fingerprint Region
IR and UV–Vis Spectroscopy of Aldehydes and Ketones
Infrared (IR) Spectroscopy: Overview
Different compounds display unique properties due to their...
IR Frequency Region: X–H Stretching
Applications of IR Spectroscopy: Overview
Opioid Receptors: Overview
