تبدیل فوریه طیف سنجی مادون قرمز

تبدیل فوریه طیف سنجی مادون قرمز

استفاده از طیف‌سنجی مادون قرمز برای تشخیص بیماری COVID-19 نسبتاً جدید است. تلاش‌هایی برای جفت کردن ابزارهای طیف‌سنجی با مدل‌های هوش مصنوعی به منظور شناسایی ویروس SARS-CoV-2 انجام شده است. کیتان و همکاران روشی را برای شناسایی SARS-CoV-2 با استفاده از نمونه‌های RNA استخراج‌شده با ترکیب تکنیک‌های FTIR و یادگیری ماشین (ML) توسعه داد. نمونه های نازوفارنکس جمع آوری شده از 280 بیمار برای استخراج RNA پردازش شدند. دامنه های طیفی FTIR که در 600-1350 cm-1 قرار دارند. 1500-1700 cm-1؛ و 2300-3900 cm-1 به اثر انگشت RNA نسبت داده شد [20]. مشتقات طیف خام به‌دست‌آمده برای عادی‌سازی داده‌های طیف تبدیل‌شده استفاده شد. الگوریتم های یادگیری ماشین برای ساخت مدل های طبقه بندی استفاده شد. تعداد زیادی نمونه و تکنیک‌های طبقه‌بندی پراکنده برای بهبود ویژگی، حساسیت و دقت تجزیه و تحلیل داده‌ها و همچنین برای افزایش قابلیت تفسیر مدل‌ها استفاده شد. این رویکرد پس از استخراج RNA تنها چند دقیقه زمان آزمایش می‌برد و در عین حال ویروس SARS-CoV-2 را با حساسیت 97 درصد، دقت 97.8 درصد و ویژگی 98.3 درصد تشخیص می‌دهد. در مطالعه دیگری، ژانگ و همکاران از تکنیک تشخیص ATR-FTIR برای تشخیص بیماری COVID-19 در نمونه های سرم 3 میکرولیتری استفاده کردند. تجزیه و تحلیل ترکیبی طیف‌سنجی و آماری برای نمونه‌های مثبت COVID-19 و نمونه‌های کنترل انجام شد. تجزیه و تحلیل جزئی حداقل مربعات متمایز (PLS-DA) به تمایز سویه ویروسی SARS CoV-2 از التهاب یا سایر عفونت‌های ویروسی تنفسی کمک کرد. این رویکرد یک ناحیه زیر منحنی مشخصه عملکرد گیرنده (AUROC) مقدار 0.956 [21] را ارائه کرد. به طور مشابه، Banerjee و همکاران روش اکتساب ATR-FTIR را به ترتیب با مدل های تجزیه و تحلیل تفکیک حداقل مربعات جزئی (PLS-DA) به کار بردند. در نظر گرفتن طیف ATR-FTIR و پارامترهای بالینی (به عنوان مثال، جنس، سن، وضعیت فشار خون بالا و وضعیت دیابت) باعث افزایش سطح زیر منحنی ROC (AUC) شد، که نشان می‌دهد این پارامتر چقدر خوب می‌تواند بین بیمار و نرمال تشخیص دهد. هم برای داده های آموزشی و هم برای داده های آزمون. مجموعه آزمون مستقل 94.1٪ حساسیت و 69.2٪ ویژگی به دست آورد. نمونه هایی از بیماران دیابتی، منطقه FTIR 1020-1090 cm-1 و FTIR منطقه 1588-1592 cm-1 قوی ترین پیش بینی کننده ها بودند [22]. گولکن و همکاران تشخیص بیماری کووید-19 را در سرم خون زنان علامت دار و بدون علامت و باردار مورد مطالعه قرار دادند. نمونه های زنان باردار مبتلا به بیماری کووید-19 و زنان باردار سالم مورد مقایسه قرار گرفتند [23]. نمونه ها با استفاده از FTIR آنالیز شدند. تغییرات اوج با رویکردهای یادگیری ماشین چند متغیره (به عنوان مثال، یک الگوریتم جنگل تصادفی، یک الگوریتم درخت تصمیم تک C5.0، و یک شبکه عصبی عمیق) تجزیه و تحلیل شد. سطوح بیوشیمیایی، سطح سلول‌های خون محیطی و پارامترهای انعقادی برای زنان باردار در شکل 2 نشان داده شده است. دقتی بیش از 90 درصد با استفاده از این رویکرد نشان داده شد [23].