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

MySQL重复数据处理的七种高效方法

《MySQL重复数据处理的七种高效方法》你是不是也曾遇到过这样的烦恼:明明系统测试时一切正常,上线后却频频出现重复数据,大批量导数据时,总有那么几条不听话的记录导致整个事务莫名回滚,今天,我就跟大家分... 目录1. 重复数据插入问题分析1.1 问题本质1.2 常见场景图2. 基础解决方案:使用异常捕获3.

QT进行CSV文件初始化与读写操作

《QT进行CSV文件初始化与读写操作》这篇文章主要为大家详细介绍了在QT环境中如何进行CSV文件的初始化、写入和读取操作,本文为大家整理了相关的操作的多种方法,希望对大家有所帮助... 目录前言一、CSV文件初始化二、CSV写入三、CSV读取四、QT 逐行读取csv文件五、Qt如何将数据保存成CSV文件前言

通过Spring层面进行事务回滚的实现

《通过Spring层面进行事务回滚的实现》本文主要介绍了通过Spring层面进行事务回滚的实现,包括声明式事务和编程式事务,具有一定的参考价值,感兴趣的可以了解一下... 目录声明式事务回滚:1. 基础注解配置2. 指定回滚异常类型3. ​不回滚特殊场景编程式事务回滚:1. ​使用 TransactionT

Java中使用Hutool进行AES加密解密的方法举例

《Java中使用Hutool进行AES加密解密的方法举例》AES是一种对称加密,所谓对称加密就是加密与解密使用的秘钥是一个,下面:本文主要介绍Java中使用Hutool进行AES加密解密的相关资料... 目录前言一、Hutool简介与引入1.1 Hutool简介1.2 引入Hutool二、AES加密解密基础

如何高效移除C++关联容器中的元素

《如何高效移除C++关联容器中的元素》关联容器和顺序容器有着很大不同,关联容器中的元素是按照关键字来保存和访问的,而顺序容器中的元素是按它们在容器中的位置来顺序保存和访问的,本文介绍了如何高效移除C+... 目录一、简介二、移除给定位置的元素三、移除与特定键值等价的元素四、移除满足特android定条件的元

基于Python实现高效PPT转图片工具

《基于Python实现高效PPT转图片工具》在日常工作中,PPT是我们常用的演示工具,但有时候我们需要将PPT的内容提取为图片格式以便于展示或保存,所以本文将用Python实现PPT转PNG工具,希望... 目录1. 概述2. 功能使用2.1 安装依赖2.2 使用步骤2.3 代码实现2.4 GUI界面3.效

SpringSecurity6.0 如何通过JWTtoken进行认证授权

《SpringSecurity6.0如何通过JWTtoken进行认证授权》:本文主要介绍SpringSecurity6.0通过JWTtoken进行认证授权的过程,本文给大家介绍的非常详细,感兴趣... 目录项目依赖认证UserDetailService生成JWT token权限控制小结之前写过一个文章,从S

Java图片压缩三种高效压缩方案详细解析

《Java图片压缩三种高效压缩方案详细解析》图片压缩通常涉及减少图片的尺寸缩放、调整图片的质量(针对JPEG、PNG等)、使用特定的算法来减少图片的数据量等,:本文主要介绍Java图片压缩三种高效... 目录一、基于OpenCV的智能尺寸压缩技术亮点:适用场景:二、JPEG质量参数压缩关键技术:压缩效果对比

使用Jackson进行JSON生成与解析的新手指南

《使用Jackson进行JSON生成与解析的新手指南》这篇文章主要为大家详细介绍了如何使用Jackson进行JSON生成与解析处理,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 核心依赖2. 基础用法2.1 对象转 jsON(序列化)2.2 JSON 转对象(反序列化)3.

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面