کاربردهای پزشکی

فصل پایانی شامل نمونه هایی از کاربردهای یادگیری ماشین برای تشخیص پزشکی با استفاده از طیف سنجی مولکولی لیزری و تصویربرداری است. داده های طیفی را می توان از طریق روش شیمیایی یا مبتنی بر "پروفایل" جمع آوری کرد.

بیوپسی یک آزمایش پزشکی است که شامل برداشتن یک نمونه سلولی یا بافتی برای معاینه برای تعیین وجود یا میزان بیماری است. تشخیص غیر تهاجمی (یا حداقل تهاجمی) را به صورت in vivo و در زمان واقعی انجام دهید. مطالب این فصل با سه گروه از نمونه های بیولوژیکی و روشهای تجزیه و تحلیل بعدی مربوط به بیوپسی نوری تنفسی ، بیوپسی نوری مایع و بیوپسی نوری بافت همراه است. در زیر ، عبارت "ترکیبات آلی فرار" (VOCs) به معنای گسترده تر نشانگرهای زیستی مولکولی فرار درون زا از هر منشا شیمیایی استفاده می شود.

این تصاویر به تشخیص غیر تهاجمی in vivo با استفاده از طیف سنجی مولکولی لیزری و تصویربرداری در ترکیب با یادگیری ماشین محدود می شود. مثال های ارائه شده در اینجا ویژگی های انتخاب/استخراج ویژگی های آموزنده ، خوشه بندی داده ها و ساخت مدل پیش بینی کننده را برای تمایز بین دو یا چند کلاس نشان می دهد.

معرفی

5.1 بیوپسی نوری تنفس با استفاده از طیف سنجی جذب لیزری و یادگیری ماشین

5.1.1 خط لوله یادگیری ماشین برای تنفس محور شیمیایی

5.1.1.1 کالیبراسیون و پیش پردازش

5.1.1.2 مدل سازی داده های شیمیایی مبتنی بر تنفس با یادگیری ماشین

5.1.2 خط لوله یادگیری ماشین برای دستگاه های تنفسی مبتنی بر "پروفایل"

5.1.2.1 کالیبراسیون و پیش پردازش

5.1.2.2 مدل سازی داده های تنفسی مبتنی بر "پروفایل" با استفاده از یادگیری ماشین

5.2 بیوپسی مایع نوری توسط طیف سنجی لیزری IR و THz و یادگیری ماشین

5.2.1 کالیبراسیون و پیش پردازش

5.2.2 مدل سازی داده های بیوپسی نوری مایع شیمیایی با یادگیری ماشین

5.2.3 مدل سازی داده های بیوپسی نوری مایع مبتنی بر "پروفایل" با یادگیری ماشین

5.3 بیوپسی نوری بافت با استفاده از تصویربرداری مولکولی لیزر و یادگیری ماشین

5.3.1 کالیبراسیون و پیش پردازش

5.3.2 مدل سازی داده های بیوپسی نوری بافت با استفاده از یادگیری ماشین