机器学习在乳腺癌荧光光谱诊断中的应用研究

乳腺癌是世界上对于女性非常危险的疾病,其患病率逐年增长,是世界妇女死亡的主要原因。在大样本情况下,乳腺癌临床诊断受优质医疗资源相对短缺的限制,诊断周期长、检测费用高。因此,高效、准确、性价比高的乳腺癌诊断方法具有广阔的应用前景,为临床诊断迫切需求。荧光光谱检测是一种可以表征细胞中物理和化学综合变化的方法,可用于表征正常和癌变细胞的特征。机器学习擅长从大量数据中挖掘有用信息,是进行分类和预测的有效手段。以往机器学习多使用包含部分生化信息的数据库训练模型,易导致信息缺失。荧光光谱是细胞多种物质的叠加光谱,使用荧光光谱特征峰诊断乳腺癌存在量化不确定性问题。因此,提出了机器学习结合乳腺癌样本荧光光谱的诊断方法。使用405 nm波长的激光,采集了正常和癌变乳腺组织(已做出病理诊断)的荧光光谱数据,以此作为数据集,比较了K-近邻(KNN)、支持向量机(SVM)、随机森林(RF)三种算法对正常和癌变乳腺组织荧光光谱的分类能力。判别结果显示:与SVM算法相比,KNN和RF算法的准确率更高、平衡召回率和精度的能力更强,对乳腺癌荧光光谱的分类能力更好,其准确性、召回率、精度以及F1-score函数结果均在95%之上,更利于乳腺癌的诊断。进而探讨了权重KNN(WKNN)算法对正常和癌变乳腺组织荧光光谱的分类能力。WKNN较KNN算法的分类评估结果有小幅度提升,且具有更好的抗噪和适应能力,算法简单。综上所述,本文提出的机器学习结合荧光光谱的乳腺癌诊断方法,精度高、速度快、性价比高,是未来乳腺癌诊断方法的发展方向,具有重要的临床应用价值。