典型文献
基于近红外光谱技术和机器学习的乳腺癌原位诊断研究
文献摘要：
近红外(NIR)光谱,可提供样本丰富的结构和成分信息.机器学习主要用于数据的分析和挖掘,可以对数据进行精确分类和信息提取.本研究采用自研的NIR光谱探针技术进行乳腺癌组织的原位光谱采集并进行癌变(光谱)分析;运用基线校正(BC)、标准正态变量变换(SNV)、一阶导数二阶多项式21点Savitzky-Golay平滑(1st-2-21SG)和二阶导数三次多项式25点Savitzky-Golay平滑(2nd-3-25SG))四种方法进行光谱预处理;结合机器学习方法,包括主成分分析(PCA)、K最近邻(KNN)、Fisher判别分析(FDA)及支持向量回归(SVR),进行乳腺癌变和癌旁组织的分类和判别.研究发现PCA-KNN模型的最优预测结果为基于BC+SNV,其准确率、敏感性及特异性达88.34％、98.21％、76.11％.PCA-FDA模型的最优结果为基于BC+1st-2-21SG,其准确率、敏感性及特异性达90.00％、98.21％、79.54％.SVR模型的最优结果为基于BC+2nd-3-25SG,其准确率、敏感性及特异性达90.00％、100.00％、79.55％.论证了机器学习方法结合NIR光谱可以实现小样本量乳腺癌的高效精确诊断.
文献关键词：
近红外光谱;机器学习;乳腺癌;诊断
中图分类号：
作者姓名：
尚慧;吴进锦;许志兵;王慧捷;尹建华
作者机构：
南京航空航天大学生物医学工程系,南京210016
文献出处：
引用格式：
[1]尚慧;吴进锦;许志兵;王慧捷;尹建华-.基于近红外光谱技术和机器学习的乳腺癌原位诊断研究)[J].光散射学报,2022(04):322-327
A类：
光谱探针,21SG,25SG,BC+SNV,BC+1st,BC+2nd
B类：
近红外光谱技术,诊断研究,NIR,分信,精确分类,信息提取,探针技术,癌组织,癌变,基线校正,标准正态变量变换,一阶导数,数二,Savitzky,Golay,二阶导数,三次多项式,四种方法,光谱预处理,机器学习方法,最近邻,KNN,Fisher,判别分析,FDA,支持向量回归,SVR,癌旁组织,小样本量,精确诊断
AB值：
0.267359
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
