Raman microspectroscopy and machine learning for use in identifying radiation-induced lung toxicity
Notice bibliographique
Résumé
OBJECTIVE: In this work, we explore and develop a method that uses Raman spectroscopy to measure and differentiate radiation induced toxicity in murine lungs with the goal of setting the foundation for a predictive disease model. METHODS: Analysis of Raman tissue data is achieved through a combination of techniques. We first distinguish between tissue measurements and air pockets in the lung by using group and basis restricted non-negative matrix factorization. We then analyze the tissue spectra using sparse multinomial logistic regression to discriminate between fibrotic gradings. Model validation is achieved by splitting the data into a training set containing 70% of the data and a test set with the remaining 30%; classification accuracy is used as the performance metric. We also explore several other potential classification tasks wherein the response considered is the grade of pneumonitis and fibrosis sickness. RESULTS: A classification accuracy of 91.6% is achieved on the test set of fibrotic gradings, illustrating the ability of Raman measurements to detect differing levels of fibrotic disease among the murine lungs. It is also shown via further modeling that coarser consideration of fibrotic grading via binning (ie. 'Low', 'Medium', 'High') does not degrade performance. Finally, we consider preliminary models for pneumonitis discrimination using the same methodologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».