换一批摘要乙肝表面抗原(HBsAg)是乙肝病毒感染的重要标志物.该文建立了血清HBsAg感染的无试剂可见-近红外(Vis-NIR)光谱模式识别新方法.收集到临床血清样品1 243例(HBsAg阳性601、阴性642),采用训练-预测-检验实验设计,搭建了基于多尺度卷积、压缩-激励网络(SE Net)注意力机制和多尺度膨胀卷积的新型卷积神经网络(CNN)集成算法,连同经典的偏最小二乘-判别分析(PLS-DA)和普通浅层CNN算法,被用于建立HBsAg阳性和阴性血清的Vis-NIR光谱判别模型.该研究采用标准正态变量(SNV)变换进行光谱预处理.基于近红外区(780～1 118 nm)经SNV处理的光谱的PLS-DA模型和新型CNN模型取得更优的建模效果,新型CNN模型的灵敏度(SEN)达到99.3%,漏诊率(FNR)达到0.7%.结果表明,采用Vis-NIR光谱精准判别HBsAg阳性和阴性血清具有可行性,提出的新型深度学习算法可望应用于其他光谱分析领域.
更多相关知识
关键词
可见-近红外光谱模式识别血清HBsAg感染判别偏最小二乘-判别分析(PLS-DA)卷积神经网络(CNN)SE Net注意力机制多尺度膨胀卷积visible-near-infrared spectral pattern recognitionserum HBsAg infection diagnosispartial least squares discriminant analysis(PLS-DA)convolutional neural network(CNN)SE Net attention mechanismmultiscale dilated convolution
栏目名称
DOI
10.12452/j.fxcsxb.250227129
发布时间
2025-06-23（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
