Post-Transplant Liver Monitoring Utilizing Integrated Surface-Enhanced Raman and AI in Hepatic Ischemia-Reperfusion Injury Animal Model
Notice bibliographique
Résumé
Sanghwa Lee,1,* Hyunhee Kwon,2,* Jeongmin Oh,3 Kyeong Ryeol Kim,3 Joonseup Hwang,3 Suyeon Kang,3 Kwanhee Lee,3 Jung-Man Namgoong,2 Jun Ki Kim1,3 1Biomedical Engineering Research Center, Asan Medical Center, Seoul, 05505, Republic of Korea; 2Department of Surgery, Asan Medical Center, University of Ulsan College of Medicine, Seoul, 05505, Republic of Korea; 3Department of Convergence Medicine, University of Ulsan College of Medicine, Seoul, 05505, Republic of Korea*These authors contributed equally to this workCorrespondence: Jun Ki Kim, Department of Convergence Medicine, University of Ulsan College of Medicine, Seoul, 05505, Republic of Korea, Email kim@amc.seoul.kr Jung-Man Namgoong, Department of Surgery, Asan Medical Center, University of Ulsan College of Medicine, Seoul, 05505, Republic of Korea, Email namgoong2940@naver.comBackground: While liver transplantation saves lives from irreversible liver damage, it poses challenges such as graft dysfunction due to factors like ischemia-reperfusion (IR) injury, which can lead to significant cellular damage and systemic complications. Current diagnostic tools for detecting IR injury have limitations, necessitating advanced methods for timely intervention. This study explores the integration of surface-enhanced Raman spectroscopy (SERS) with artificial intelligence (AI) to improve diagnostic accuracy for liver IR injury.Materials and Methods: IR injury was induced using a mouse model, and histopathological and hepatic functional evaluations were conducted alongside SERS measurements. Raman signals obtained via SERS chips, which selectively filter nano-biomarkers and enhance signals, were analyzed using machine learning algorithms.Results: The PC-LDA derived from spectra achieved an accuracy of 93.13%, while a machine learning algorithm based on PC-derived PLS-DA improved accuracy to 98.75%.Discussion: Our findings emphasize the potential of combining SERS with AI to detect and specifically identify dysfunction due to liver damage early, potentially advancing patient management in liver transplantation. Keywords: liver ischemia-reperfusion injury, liver function, surface-enhanced Raman spectroscopy, discriminant analysis, machine learning algorithm
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».