通过血清拉曼光谱进行COVID-19的高效初步筛查

2024-06-04 21:36

本文主要是介绍通过血清拉曼光谱进行COVID-19的高效初步筛查,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

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

图片

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

图片

但是在小类中光谱学属于2区。

图片

2019年底爆发的COVID-19大流行病由于其高度非特异性的临床表现和现有检测技术的局限性,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术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机器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显示出了高准确率,分类准确率分别达到了0.87和0.90,表明拉曼光谱技术是一个安全、高效的COVID-19筛查工具,具有重要的临床应用潜力。

图片

在这篇论文中,支持向量机(Support-vector machine, SVM)方法被用作一种监督学习模型,其目的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方法的主要概念和在本研究中的应用:

SVM基本概念:

间隔(Margin):SVM试图在不同类别的数据点之间找到一个间隔最大化的决策边界。间隔是数据点到决策边界的最短距离。

支持向量(Support Vectors):位于决策边界最近的数据点,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容易找到线性可分的决策边界。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,研究者使用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不同组别的特征波点。

2. 模型训练:选定的特征波点被用作输入,训练SVM模型。在训练过程中,SVM学习如何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)和准确率来评估。这些性能指标反映了模型在训练数据上的表现。

4. 交叉验证:为了评估模型的稳健性,研究者采用了交叉验证方法。这意味着数据集被分为训练集和测试集,模型在训练集上进行训练,并在测试集上进行验证。

5. 独立测试集验证:最后,研究者使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模型的分类能力。

在这项研究中,SVM模型的建立和训练是为了能够准确地从血清拉曼光谱数据中识别和区分COVID-19患者,从而提供了一种潜在的高效筛查工具。通过这种方法,研究者能够实现较高的分类准确率,并为COVID-19的初步筛查提供了科学依据。

图片

图片

表2展示了使用支持向量机(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)和准确率(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描述:

COVID-19与疑似病例的分类:

灵敏度:模型识别COVID-19患者的能力,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)的能力,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。

准确率: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准确度为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患者的能力,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能力,值为0.93(±0.06),95% CI为0.91–0.94。

准确率: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能力,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能力,值为0.66(±0.09),95% CI为0.64–0.69。

准确率: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结果,这些结果显示了对每个血清样本的分类预测的准确性。括号内的数值提供了血清样本级别的分类结果,这与单个光谱级别的分类结果进行了对比。

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,显示出该模型在分类任务中具有较高的灵敏度、特异性和准确率,这强调了SVM作为COVID-19筛查工具的潜力。

图片

研究结果表明,拉曼光谱技术结合SVM算法是一种安全、高效的COVID-19筛查技术。与RT-PCR相比,该方法具有低成本、快速和低人力需求的优势,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患者都表现出较高的敏感性,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

这篇关于通过血清拉曼光谱进行COVID-19的高效初步筛查的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1031180

相关文章

高效+灵活,万博智云全球发布AWS无代理跨云容灾方案!

摘要 近日,万博智云推出了基于AWS的无代理跨云容灾解决方案,并与拉丁美洲,中东,亚洲的合作伙伴面向全球开展了联合发布。这一方案以AWS应用环境为基础,将HyperBDR平台的高效、灵活和成本效益优势与无代理功能相结合,为全球企业带来实现了更便捷、经济的数据保护。 一、全球联合发布 9月2日,万博智云CEO Michael Wong在线上平台发布AWS无代理跨云容灾解决方案的阐述视频,介绍了

嵌入式QT开发:构建高效智能的嵌入式系统

摘要: 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发,详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程,包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发,涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用,以及嵌入式 QT 与硬件设备的交互,包括输入输出设

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

高效录音转文字:2024年四大工具精选!

在快节奏的工作生活中,能够快速将录音转换成文字是一项非常实用的能力。特别是在需要记录会议纪要、讲座内容或者是采访素材的时候,一款优秀的在线录音转文字工具能派上大用场。以下推荐几个好用的录音转文字工具! 365在线转文字 直达链接:https://www.pdf365.cn/ 365在线转文字是一款提供在线录音转文字服务的工具,它以其高效、便捷的特点受到用户的青睐。用户无需下载安装任何软件,只

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中,我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试,如何有效地规划和启动测试,如何评估测试是否成功,您应该关注哪些指标,多年来我们发现的常见错误等等。 什么是A/B测试? A/B测试(有时称为“分割测试”)是一种实验类型,其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体,以查看哪一种效果最好。 本质上,A/B测

【C++高阶】C++类型转换全攻略:深入理解并高效应用

📝个人主页🌹:Eternity._ ⏩收录专栏⏪:C++ “ 登神长阶 ” 🤡往期回顾🤡:C++ 智能指针 🌹🌹期待您的关注 🌹🌹 ❀C++的类型转换 📒1. C语言中的类型转换📚2. C++强制类型转换⛰️static_cast🌞reinterpret_cast⭐const_cast🍁dynamic_cast 📜3. C++强制类型转换的原因📝

基于 YOLOv5 的积水检测系统:打造高效智能的智慧城市应用

在城市发展中,积水问题日益严重,特别是在大雨过后,积水往往会影响交通甚至威胁人们的安全。通过现代计算机视觉技术,我们能够智能化地检测和识别积水区域,减少潜在危险。本文将介绍如何使用 YOLOv5 和 PyQt5 搭建一个积水检测系统,结合深度学习和直观的图形界面,为用户提供高效的解决方案。 源码地址: PyQt5+YoloV5 实现积水检测系统 预览: 项目背景

MiniGPT-3D, 首个高效的3D点云大语言模型,仅需一张RTX3090显卡,训练一天时间,已开源

项目主页:https://tangyuan96.github.io/minigpt_3d_project_page/ 代码:https://github.com/TangYuan96/MiniGPT-3D 论文:https://arxiv.org/pdf/2405.01413 MiniGPT-3D在多个任务上取得了SoTA,被ACM MM2024接收,只拥有47.8M的可训练参数,在一张RTX

遮罩,在指定元素上进行遮罩

废话不多说,直接上代码: ps:依赖 jquer.js 1.首先,定义一个 Overlay.js  代码如下: /*遮罩 Overlay js 对象*/function Overlay(options){//{targetId:'',viewHtml:'',viewWidth:'',viewHeight:''}try{this.state=false;//遮罩状态 true 激活,f

利用命令模式构建高效的手游后端架构

在现代手游开发中,后端架构的设计对于支持高并发、快速迭代和复杂游戏逻辑至关重要。命令模式作为一种行为设计模式,可以有效地解耦请求的发起者与接收者,提升系统的可维护性和扩展性。本文将深入探讨如何利用命令模式构建一个强大且灵活的手游后端架构。 1. 命令模式的概念与优势 命令模式通过将请求封装为对象,使得请求的发起者和接收者之间的耦合度降低。这种模式的主要优势包括: 解耦请求发起者与处理者