通过血清拉曼光谱进行COVID-19的高效初步筛查

自由的羽毛  论坛元老 | 2024-6-13 05:31:01 | 来自手机 | 显示全部楼层 | 阅读模式
打印 上一主题 下一主题

主题 1019|帖子 1019|积分 3057

通过血清拉曼光谱进行COVID-19的高效初步筛查

原创 小王搬运工 时序课堂 2024-06-04 20:04 四川


论文地址:https://analyticalsciencejournals.onlinelibrary.wiley.com/doi/full/10.1002/jrs.6080
论文源码:无
期刊:JOURNAL OF RAMAN SPECTROSCOPY


但是在小类中光谱学属于2区。


2019年底发作的COVID-19大流行病由于其高度非特异性的临床体现和现有检测技能的范围性,迫切需要一种新的筛查方法。本研究提出了一种基于血清拉曼光谱技能的高效初步筛查方法,通过对177份血清样本的分析,包括确诊的COVID-19患者、疑似病例和健康对照组,利用拉曼光谱检测和呆板学习支持向量机方法,建立了一个诊断算法,该算法在区分COVID-19病例与疑似病例、以及健康对照组方面表现出了高正确率,分类正确率分别达到了0.87和0.90,表明拉曼光谱技能是一个安全、高效的COVID-19筛查工具,具有重要的临床应用潜力。


在这篇论文中,支持向量机(Support-vector machine, SVM)方法被用作一种监视学习模型,其目标是从血清拉曼光谱数据中学习并构建一个能够区分COVID-19患者和非COVID-19个体(包括疑似病例和健康对照组)的诊断算法。以下是SVM方法的重要概念和在本研究中的应用:
SVM根本概念:
隔断(Margin):SVM试图在差别种别的数据点之间找到一个隔断最大化的决议边界。隔断是数据点到决议边界的最短距离。
支持向量(Support Vectors):位于决议边界最近的数据点,它们决定了边界的位置和方向。
核函数(Kernel Function):SVM通过核函数将数据映射到更高维的空间,以便于在高维空间中更轻易找到线性可分的决议边界。常用的核函数包括线性核、多项式核、径向基函数(RBF)核等。
SVM在本研究中的应用:
1. 特征提取:首先,研究者利用ANOVA(方差分析)统计分析方法从拉曼光谱数据中选择出有助于区分差别组别的特征波点。
2. 模型练习:选定的特征波点被用作输入,练习SVM模型。在练习过程中,SVM学习怎样根据拉曼光谱数据的特征将样本正确分类为COVID-19患者、疑似病例或健康个体。
3. 分类器性能:SVM模型的性能通过灵敏度(真阳性率)、特异性(真阴性率)和正确率来评估。这些性能指标反映了模型在练习数据上的体现。
4. 交错验证:为了评估模型的稳健性,研究者采用了交错验证方法。这意味着数据集被分为练习集和测试集,模型在练习集上进行练习,并在测试集上进行验证。
5. 独立测试集验证:末了,研究者利用了一个独立的测试数据集,包括无症状和有症状的COVID-19患者、疑似患者和健康对照,来进一步验证SVM模型的分类本事。
在这项研究中,SVM模型的建立和练习是为了能够正确地从血清拉曼光谱数据中识别和区分COVID-19患者,从而提供了一种潜伏的高效筛查工具。通过这种方法,研究者能够实现较高的分类正确率,并为COVID-19的初步筛查提供了科学依据。




表2展示了利用支持向量机(SVM)模型对COVID-19患者、疑似病例和健康对照组进行分类的性能参数。这些参数包括灵敏度(Sensitivity)、特异性(Specificity)和正确率(Accuracy),每个分类任务都给出了相应的值和95%置信区间(Confidence Interval, CI)。
表2形貌:
COVID-19与疑似病例的分类:
灵敏度:模型识别COVID-19患者的本事,值为0.89(±0.08),95% CI为0.87–0.91。这意味着模型正确识别了87%至91%的COVID-19患者。
特异性:模型正确识别非COVID-19(即疑似病例)的本事,值为0.86(±0.09),95% CI为0.83–0.88。这表明模型正确识别了83%至88%的非COVID-19患者。
正确率:整体分类任务的正确率,值为0.87(±0.05),95% CI为0.86–0.89。这表示模型在COVID-19与疑似病例分类任务中的整体正确度为86%至89%。
COVID-19与健康对照组的分类:
灵敏度:同样指模型识别COVID-19患者的本事,值为0.89(±0.07),95% CI为0.90–0.92。
特异性:模型正确识别健康对照组的本事,值为0.93(±0.06),95% CI为0.91–0.94。
正确率:整体分类任务的正确率,值为0.91(±0.04),95% CI为0.90–0.92。
疑似病例与健康对照组的分类:
灵敏度:模型识别疑似病例的本事,值为0.70(±0.09),95% CI为0.68–0.73。
特异性:模型正确识别健康对照组的本事,值为0.66(±0.09),95% CI为0.64–0.69。
正确率:整体分类任务的正确率,值为0.69(±0.05),95% CI为0.68–0.73。
表2中的数据还特别指出了血清样本级别的分类效果,这些效果表现了对每个血清样本的分类预测的正确性。括号内的数值提供了血清样本级别的分类效果,这与单个光谱级别的分类效果进行了对比。
总结来说,表2提供了SVM模型在区分COVID-19患者与疑似病例、以及健康对照组方面的详细性能评估,表现出该模型在分类任务中具有较高的灵敏度、特异性和正确率,这夸大了SVM作为COVID-19筛查工具的潜力。


研究效果表明,拉曼光谱技能联合SVM算法是一种安全、高效的COVID-19筛查技能。与RT-PCR相比,该方法具有低本钱、快速和低人力需求的上风,为医生提供了更多的检测手段。此外,该方法对于无症状和有症状的COVID-19患者都体现出较高的敏感性,有助于疫情的防控。
更多好文:https://mp.weixin.qq.com/s?mid=2247484174&idx=1&sn=539d9d97dbf080aab3aadbcdf087a8b0&chksm=c00aa1fcf77d28ea1b839041f2cf9491a6adbfa2acdec798dd9b3e42cb58917488ffcdab300e&token=1361633439&lang=zh_CN#rd

免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!更多信息从访问主页:qidao123.com:ToB企服之家,中国第一个企服评测及商务社交产业平台。
回复

使用道具 举报

0 个回复

倒序浏览

快速回复

您需要登录后才可以回帖 登录 or 立即注册

本版积分规则

自由的羽毛

论坛元老
这个人很懒什么都没写!
快速回复 返回顶部 返回列表