Анализ типа конкрементов

методами оптической спектроскопии и машинного обучения

​

Церегородцева П.С.� Ганичев А.А.�Ширшин Е.А.

Курс: «Нейронные сети и их применение в научных исследованиях»

Анализ типа конкрементов методами оптической спектроскопии и машинного обучения

Лазерная литотрипсия

Анализ типа конкрементов методами оптической спектроскопии и машинного обучения

• Исследовать вопрос о возможности применения методов спектроскопии диффузного отражения и флуоресцентной спектроскопии для определения состава конкрементов в условиях, приближенных к операционным

​

​

​

​

​

​

Цель

Анализ типа конкрементов методами оптической спектроскопии и машинного обучения

• Исследовано 120 конкрементов
• Для каждого проанализировано два типа данных:
1. Спектры диффузного отражения
2. Матрицы возбуждения-эмиссии флуоресценции

​

• В качестве референсных результатов использованы ИК-спектры конкрементов

​

​

​

​

​

​

• ​

​

Данные

Анализ типа конкрементов методами оптической спектроскопии и машинного обучения

Спектральные компоненты, полученные с помощью NMF�Каждой компоненте соответствует спектр чистого вещества

​

​

ИК-спектроскопия

• Золотой стандарт для определения химического состава конкремента
• ИК-спектр каждого конкремента раскладывался на компоненты с помощью NMF
• Сложно выделить односоставный конкремент

Анализ типа конкрементов методами оптической спектроскопии и машинного обучения

Спектры диффузного отражения

Спектры ослабления трех конкрементов

Первые три компоненты PCA спектров ослабления

I - измеренный сигнал отражения

Iref - спектр осветителя

Idark - фоновый сигнал

​

Анализ типа конкрементов методами оптической спектроскопии и машинного обучения

Флуоресцентная спектроскопия

Спектры флуоресценции для трех односоставных камней

Анализ типа конкрементов методами оптической спектроскопии и машинного обучения

Обработка матриц возбуждения-эмиссии флуоресценции

a - концентрация флуорофора

b - эмиссия

с - возбуждение

​

Анализ типа конкрементов методами оптической спектроскопии и машинного обучения

Построенные модели

PCA+Catboost

• Стандартизация спектров ослабления

и матриц возбуждения-эмиссии

• Разложение данных на компоненты PCA

(независимо для каждой длины волны возбуждения и спектров ослабления)

• ChainRegressor, в качестве базовой модели использовался CatboostRegressor
• Валидация (Optuna)

​

PARAFAC+RF

• Нормализация матриц возбуждения-эмиссии
• Разложение данных на компоненты PARAFAC
• ChainRegressor, в качестве базовой модели использовался RandomForestRegressor
• Валидация (Optuna)

Анализ типа конкрементов методами оптической спектроскопии и машинного обучения

Оценка точности

Анализ типа конкрементов методами оптической спектроскопии и машинного обучения

Интерпретация результатов

Характерные плотности конкрементов

​

• Плотность уратных конкрементов значительно ниже, чем у остальных типов
• Точность определения уратов сравнима с клинической точностью ИК-спектроскопии
• Сведения о концентрации “мягких” конкрементов позволит подбирать оптимальные параметры лазерного излучения в ходе операции

Анализ типа конкрементов с использованием методов оптической спектроскопии и машинного обучения

1. Journal of Biophotonics
2. Lasers in surgery and medicine
3. Biomedical optics express

​

​

Журналы

Анализ типа конкрементов с использованием методов оптической спектроскопии и машинного обучения

• Измерены спектры диффузного отражения, матрицы возбуждения-эмиссии флуоресценции и референсные ИК-спектры 120 конкрементов ex vivo;
• На основе анализа ИК выявлено, что большинство имеющихся конкрементов являются многосоставными;
• Построены две регрессионные модели для определения относительной концентрации оксалатов, гидроксиапатитов и уратов в составе конкремента;
• Средняя точность предсказаний модели PCA+Catboost составила 22%,

а PARAFAC+RF – 21%;

• Модель PARAFAC+RF достигла точности предсказания относительной концентрации уратов в 7%, что сопоставимо с клинической точностью метода ИК-спектроскопии.

​

​

Заключение