Differentiation of Healthy Ex Vivo Bovine Tissues Using Raman Spectroscopy and Interpretable Machine Learning
Notice bibliographique
Résumé
OBJECTIVES: Integrating machine learning with Raman spectroscopy (RS) shows strong potential for intraoperative guidance in orthopedic procedures, but limited algorithm transparency remains a barrier to clinician trust. This study aims to develop interpretable machine learning models capable of accurately classifying bovine tissue types (bone, bone marrow, fat, and muscle) relevant to orthopedic surgery by identifying key Raman biomarkers to improve model transparency. METHODS: A portable RS system equipped with a 785 nm fiber-optic probe was used to collect spectral data from excised bovine tissues, including bone, bone marrow, muscle, and fat. One-dimensional convolutional neural network (1D-CNN) and support vector machine (SVM) models were developed to classify these tissue types. The Raman spectral data were divided using a sample-based, stratified splitting strategy and evaluated across 30 independent iterations. Feature importance maps were generated for both models, and matching scores were calculated to correlate significant spectral features with known Raman biomarkers. RESULTS: Through feature importance analysis and matching scores generated by the 1D-CNN and SVM models, critical Raman biomarkers-including hydroxyapatite, lipids, amino acids, and collagen-were identified as essential for distinguishing between the different bovine tissue types, providing deeper insights into their molecular differences. CONCLUSIONS: The integration of interpretable machine learning models with RS enabled accurate differentiation of bovine tissues relevant to orthopedic surgery, while enhancing model transparency through biomarker identification. Linking model predictions to biologically meaningful Raman features supports the development of RS as a reliable tool for precision-guided surgical procedures.
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 | 0,000 |
| 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 ».