摘要：研究人员开发了一种新的机器学习算法，该算法擅长解释光谱，从而有可能更快，更精确的医学诊断和样本分析。...

赖斯大学的研究人员开发了一种新的机器学习（ML）算法，该算法擅长解释分子，材料和疾病生物标志物的“光标志”或光谱，从而有可能更快，更精确的医学诊断和样本分析。

“想象一下，只要通过对一滴液体或组织样本的灯光照亮，才能够发现像阿尔茨海默氏症或covid-19的早期迹象，”赖斯的电气和计算机工程博士生Ziyang Wang说，他是Rice的一项研究，他是一项在一项研究中发表在一项研究中的作者。ACS纳米。 “我们的工作通过教计算机如何更好地'读取'从微小分子散射的光信号来使其成为可能。”

每种材料或分子都以独特的方式与光相互作用，产生独特的图案 - 例如指纹。光谱学需要在化学，材料科学和医学上广泛使用材料上的激光以观察光线与光的相互作用。但是，解释光谱数据可能很困难且耗时，尤其是当样本之间的差异微妙时。称为峰敏感的弹性网络逻辑回归（PSE-LR）的新算法是专门设计用于分析基于光的数据的。

王说：“组织或其他生物样品的光谱可以揭示体内发生的事情。” “这很重要，因为更快，更准确的疾病检测可以带来更好的治疗方法并挽救生命。除了健康之外，我们的方法还可以帮助科学家了解新材料，从而导致更明智的传感器和较小的诊断设备。”

PSE-LR不仅可以准确地对不同的样本进行分类，而且可以在其决策中透明 - 许多高级ML模型并不特别擅长。 PSE-LR提供了“特征重要性映射”，该图准确介绍了频谱的哪些部分有助于分类决策，从而使结果易于解释，验证和采取行动。

王说：“我们的算法旨在关注信号中最重要的部分 - 最重要的峰。”将PSE-LR与“侦探学习以找到隐藏在光信号中的线索”进行了比较。

研究人员对其他ML模型测试了PSE-LR，显示出改善的性能，尤其是在识别微妙或重叠的光谱特征方面。

王说：“大多数模型要么错过细节，要么太复杂而无法理解。” “我们的目的是通过构建既聪明又可以解释的东西来解决这个问题。”

该模型在测量其现实世界敏锐度的一系列测试中还表现良好，包括检测流体样品中SARS-COV-2尖峰蛋白的超低浓度，鉴定了小鼠脑组织中的神经保护溶液，对阿尔茨海默氏病样品进行分类并区分2D半导体。

“我们的工具能够使用传统方法来解析基于光的信号，这些信号通常很难使用。

新算法可以使新的诊断，生物传感器或纳米版本的开发。

王说：“这些发现可能有助于改变医学诊断和材料科学，使我们更加接近一个智能技术帮助发现和更有效地发现健康问题的世界。”

这项研究得到了国家科学基金会（2246564，1934977），美国国立卫生研究院（AG077016-02）和韦尔奇基金会（C-2144）的支持。这里的内容仅是作者的责任，并不一定代表了资助者的官方观点。