Тема: ПОИСК АНОМАЛИЙ В БИОМЕДИЦИНСКИХ ДАННЫХ

С развитием технологий машинное обучение стало неотъемлемой частью многих научных и практических областей, и особенно важную роль данное направление искусственного интеллекта играет в медицине. Алгоритмы машинного обучения обладают уникальной способностью анализировать большие объемы данных, выявлять закономерности и делать предсказания с высокой точностью, что делает их незаменимыми для современной диагностической медицины. В этом контексте рамановская спектроскопия [1], неинвазивный метод, который позволяет детально изучать молекулярную структуру биологических жидкостей без их разрушения, открывает новые возможности для применения машинного обучения в медицинских исследованиях и практике [2].
Недавние научные исследования подтверждают значительный потенциал сочетания рамановской спектроскопии и машинного обучения в медицине, особенно в диагностике и мониторинге заболеваний. Применение рамановских спектров обеспечивает неинвазивное и точное изучение биологических образцов, что позволяет выявлять молекулярные изменения, связанные с различными патологическими состояниями.
Например, исследование Х. Зуйхари и др. по оценке эффектов низкодозированной фотодинамической терапии для улучшения заживления диабетических ран с использованием рамановской спектроскопии показало, что данный метод дает возможность точно отслеживать изменения в молекулярной структуре тканей [3]. Рамановская спектроскопия позволила неинвазивно получать подробную биохимическую и структурную информацию о ранах, демонстрируя значительные улучшения в показателях заживления.
В исследовании K. Ember и др. по обнаружению инфекции COVID-19 на основе слюны в реальных условиях авторы разработали методику обнаружения вируса в слюне без использования реагентов [4]. Для отслеживания изменений в молекулярном профиле слюны использовался неинвазивный, не содержащий меток подход - рамановская спектроскопия. Используя данный подход и сегментацию капель, удалось классифицировать образцы с точностью, подтвержденной кривыми ROC, где площадь под кривой составила 0.8. Эти результаты демонстрируют, как рамановская спектроскопия в комбинации с машинным обучением может сыграть роль в улучшении диагностики инфекционных заболеваний.
В исследовании Д. Вражнова и др., посвященном использованию рамановской спектроскопии и машинного обучения для выявления биомаркеров глиомы, демонстрируется, как данные технологии могут анализировать биологические образцы на молекулярном уровне [5]. Рамановская спектроскопия выявляет уникальные спектральные подписи, связанные с болезненными состояниями, которые машинное обучение затем классифицирует с высокой точностью. Это сочетание позволяет точно определить патологические изменения в крови на ранних стадиях, значительно улучшая диагностику и обеспечивая важные данные для последующего лечения и мониторинга заболеваний.
Целью данной дипломной работы является применение и сравнение эффективности различных алгоритмов поиска аномалий для повышения точности классификации биомедицинских данных с использованием машинного обучения.
Для достижения этой цели были поставлены следующие задачи:
1. Провести анализ существующих данных и выполнить их предварительную обработку.
2. Реализовать попарную классификацию обработанных данных.
3. Рассчитать оптимальные параметры для методов поиска аномалий.
4. Применить алгоритмы поиска аномалий с вычисленными параметрами.
5. Оценить эффективность примененных методов поиска аномалий путем повторной классификации.
6. Сравнить результаты работы алгоритмов поиска аномалий.
Объектом исследования являются рамановские спектры биомедицинских данных человека, методы поиска аномалий и алгоритмы классификации данных рамановских спектров. Практическая значимость работы заключается в улучшении точности диагностических методик через разработку и сравнение алгоритмов машинного обучения для поиска аномалий в рамановских спектрах, что способствует повышению надежности медицинских исследований и является одним из ключевых факторов для улучшения лечения и прогнозирования заболеваний.
Работа состоит из трех глав:
В первой главе представлено описание исследуемых данных, а также их подготовка к дальнейшему исследованию с помощью таких шагов преобразования, как слияние отдельных файлов с данными в единый набор данных и построение графика для этого набора, коррекция базовой линии, фильтрация шумов скорректированного по базовой линии набора и применение метода главных компонент для уменьшения размерности данных.
Во второй главе проведена бинарная классификация предобработанных данных, представлены алгоритмы, с помощью которых будет производиться обнаружение аномалий в обработанных данных, и высчитаны входные параметры данных алгоритмов, а также проведена бинарная классификация данных, очищенных от аномальных значений.
В третьей главе производится сравнение результатов классификации до и после удаления аномалий, а также подведение итогов по результатам сравнения методов.

Купить

В рамках данной дипломной работы был проведен комплексный анализ рамановских спектров, полученных от образцов двух биологических жидкостей человека в трех различных состояниях здоровья: контрольная группа, лица в состоянии 1 и лица в состоянии 2. Основной целью работы было применение и сравнительный анализ эффективности различных существующих алгоритмов поиска аномалий для повышения точности классификации биомедицинских данных с использованием машинного обучения
Были выполнены все поставленные в начале работы задачи:
• изначальные данные были предобработаны, что включало коррекцию по базовой линии и сглаживание спектров, а также применение метода главных компонент для уменьшения размерности данных и представления в n-мерном пространстве;
• для первоначальной оценки точности классификации и разделимости данных по классам были использованы классификаторы SVM и K-NN;
• с помощью вычислительных методов были настроены параметры для алгоритмов поиска аномалий Изолирующего леса и DBSCAN- кластеризации;
• были применены алгоритм Изолирующего леса и DBSCAN-кластеризации для поиска и последующего удаления из изначального массива данных, наиболее подходящих под аномальные;
• путем повторной бинарной классификации были получены оценки разделимости данных, очищенных от предполагаемых аномалий;
• с помощью анализа усредненного F1 -score каждого из ранее используемых классификаторов до и после применения методов поиска аномалий проведено сравнение результатов работы алгоритмов поиска аномалий. Анализ показал, что методы Изолирующего леса и DBSCAN- кластеризации заметно повышают баланс между точностью и полнотой классификационных моделей, применяемых к рамановским спектрам биожидкостей 1 и 2. Это подчеркивает улучшение качества идентификации и классификации данных после удаления аномалий.
Работа демонстрирует значительный потенциал применения анализа рамановских спектров методами машинного обучения для улучшения диагностических возможностей в медицине. Выбранные алгоритмы Изолирующего леса и DBSCAN-кластеризации, параметры для которых были подобраны с помощью вычислительных методов, показали свою эффективность в обнаружении и удалении аномальных данных, что позволило улучшить качество анализа и интерпретации рамановских спектров. Данные результаты могут быть полезны для дальнейших исследований и практического применения в области биомедицинской диагностики. Однако следует отметить, что эффективность алгоритмов может варьироваться в зависимости от качества, объёма и специфики исходных данных.

Купить