Улучшение диагностической оценки функции щитовидной железы с использованием спектроскопии диффузного отражения и регрессионных моделей

Введение

Дисфункция щитовидной железы является распространенной глобальной проблемой здравоохранения, требующей разработки эффективных и неинвазивных методов скрининга для раннего выявления. В данной статье исследуется применение спектроскопии диффузного отражения (DRS) в сочетании с методами предварительной обработки данных и предиктивными моделями для диагностики нарушений функции щитовидной железы.

Цель исследования

Целью работы была оценка эффективности DRS в сочетании с различными методами предварительной обработки спектральных данных и регрессионными моделями для диагностики дисфункции щитовидной железы.

Методы

Исходные спектральные данные были получены от 31 пациента с дисфункцией щитовидной железы. Для обработки данных применялись следующие методы:

• Standard Normal Variate (SNV)
• Multiplicative Scatter Correction (MSC)
• Baseline Correction

После предварительной обработки данные анализировались с использованием различных регрессионных моделей:

• Partial Least Squares Regression (PLSR)
• Principal Component Regression (PCR)
• LASSO
• Random Forest
• Ridge Regression
• Gaussian Process Regression (GPR)
• Bayesian Regression

Результаты

Модель PLSR в сочетании с методом SNV продемонстрировала наилучшие результаты, достигнув коэффициента детерминации R² = 0.93, RMSE = 0.29 и MSE = 0.08, что указывает на низкую ошибку прогнозирования. Качество модели также оценивалось с использованием критерия хи-квадрат Пирсона.

Выводы

Применение DRS в сочетании с методами предварительной обработки данных и регрессионными моделями, особенно PLSR и SNV, является перспективным неинвазивным подходом для диагностики дисфункции щитовидной железы. Высокие показатели точности модели подтверждают потенциал данного метода для клинического использования.

Термины и сокращения

• DRS (Diffuse Reflectance Spectroscopy) – спектроскопия диффузного отражения, метод анализа оптических свойств биологических тканей.
• SNV (Standard Normal Variate) – метод стандартной нормальной вариации, используемый для коррекции спектральных данных.
• MSC (Multiplicative Scatter Correction) – мультипликативная коррекция рассеяния, метод предварительной обработки спектров.
• PLSR (Partial Least Squares Regression) – регрессия на частичных наименьших квадратах, метод многомерного анализа данных.
• PCR (Principal Component Regression) – регрессия на главных компонентах.
• LASSO (Least Absolute Shrinkage and Selection Operator) – метод регуляризации в регрессионном анализе.
• GPR (Gaussian Process Regression) – гауссовская процессная регрессия.
• RMSE (Root Mean Square Error) – среднеквадратическая ошибка.
• MSE (Mean Square Error) – средняя квадратическая ошибка.