激光诱导击穿光谱结合机器学习的裸鼠肝肿瘤判别分类研究

作者：彭颖婕 Peng Yingjie, 廉倩琳 Lian Qianlin, 马越 Ma Yue, 聂晓涵 Nie Xiaohan, 陈建军 Chen Jianjun · 发表于：Laser & Optoelectronics Progress · 年份：2025 · DOI：10.3788/lop242259 · 被引用次数：3 · 研究领域：Laser-induced spectroscopy and plasma

肝癌死亡率高，早期检出率低。为了实现肝癌的及时、准确辅助诊断，本文利用激光诱导击穿光谱（LIBS）结合机器学习对裸鼠肝肿瘤组织和相邻的肌肉组织进行元素成像和分类。首先，制备裸鼠肝肿瘤组织和相邻肌肉组织的样本切片，并通过LIBS系统绘制特征元素光谱和元素空间分布图；然后，将两类组织的共400幅光谱数据预处理后随机划分为训练集、验证集和测试集，并使用支持向量机、Fisher判别分析、核极限学习机（KELM）、随机森林（RF）和Bayes分类算法对样本切片的全光谱数据建立判别模型并进行分类识别；最后，利用主成分分析（PCA）进行特征提取。结果表明：肝肿瘤组织和相邻肌肉组织的LIBS图和Ca、K、Mg元素分布图均存在元素含量的差异；进一步使用上述5种分类算法对样本切片进行分类，发现其全光谱分类准确率可达到95%以上，但建模分类所需时间较长；将PCA中累积贡献率达到95%的8个主成分再次作为算法的输入数据，可在保障建模分类准确率的前提下，显著缩短以上不同机器学习算法的建模分类时间。相较于全光谱RF和KELM，PCA-RF的建模分类时间减少至0.13 s，时间优化效果非常显著。PCA-KELM的建模分类综合效果最好，其建模时间缩短至0.04 s。以上结果证明，借助合理的机器学习算法，LIBS可有效判别肝肿瘤及其相邻肌肉组织，未来将有助于临床实践。