基于血清SERS的肝癌分类模型的机器学习算法优化研究

目的 通过比较主成分分析(PCA)、线性判别分析(LDA)、支持向量机(SVM)和正交偏最小二乘判别分析(OPLS-DA),优化获得基于血清表面增强拉曼光谱术(SERS)的肝癌分类模型的最佳算法,为研发新型肝癌诊断技术奠定基础.方法 采集检测52例肝癌患者、64例肝硬化患者和53例健康志愿者的血清增强拉曼信号,分析不同SERS光谱特征,分别建立PCA-LDA、PCA-SVM、SVM-线性核函数、SVM-高斯径向基函数(SVM-RBF)和OPLS-DA算法的肝癌分类模型,并使用敏感性、特异性、准确度和受试者操作特征曲线评估5种算法对肝癌的诊断效能.结果 在三分类中,基于OPLS-DA算法对肝癌的分类准确度均高于其他4种算法的.在二分类肝癌组和非肝癌组中,基于SVM-RBF算法准确度高于其他4种算法的.二分类模型的受试者操作特征曲线显示,SVM-RBF算法对肝癌的预测能力均高于其他4种算法的.结论 SVM-RBF算法结合血清SERS建立的肝癌分类模型是一种快速、准确地检测肝癌的新技术.