Navegando por Assunto "Machine learning"

Agora exibindo 1 - 3 de 3
  • Imagem de Miniatura
    Item
    Finding reduced Raman spectroscopy fingerprint of skin samples for melanoma diagnosis through machine learning
    (Elsevier) Araújo, Daniella Castro; Veloso, Adriano Alonso; Oliveira Filho, Renato Santos de; Giraud, Marie-Noelle; Raniero, Leandro José; Ferreira, Lydia Masako; Bitar, Renata Andrade
    Early-stage detection of cutaneous melanoma can vastly increase the chances of cure. Excision biopsy followed by histological examination is considered the gold standard for diagnosing the disease, but requires long high- cost processing time, and may be biased, as it involves qualitative assessment by a professional. In this paper, we present a new machine learning approach using raw data for skin Raman spectra as input. The approach is highly efficient for classifying benign versus malignant skin lesions (AUC 0.98, 95% CI 0.97–0.99). Furthermore, we present a high-performance model (AUC 0.97, 95% CI 0.95–0.98) using a miniaturized spectral range (896–1039 cm− 1), thus demonstrating that only a single fragment of the biological fingerprint Raman region is needed for producing an accurate diagnosis. These findings could favor the future development of a cheaper and dedicated Raman spectrometer for fast and accurate cancer diagnosis.
  • Imagem de Miniatura
    Item
    Saliva FTIR Spectra and Machine Learning for Autism Spectrum Disorder Diagnosis-Preliminary Study
    (IEEE) Pinto, Mayara Moniz Vieira; Arisawa, Emilia Angela Lo Schiavo; Raniero, Leandro José; Bhattacharjee, Tanmoy
    The diagnosis of Autism Spectrum Disorder (ASD) remains a challenge due to the lack of specific tests and biological markers. ASD is a neurodevelopmental disorder that affects in- dividuals throughout their lives, and its diagnosis allows access to treatments that improve their prognosis. Saliva analysis by Fourier Transform Infrared Spectroscopy (FTIR), which was not previ- ously reported, appears to be a promising diagnostic tool for ASD. This study acquired spectra from samples of 19 ASD and 19 control children. Spectral signatures suggest the dominance of protein secondary structures, β-pleated sheet and α-helix structures in ASD and control children, respectively. Support Vector Machine (SVM) gave the best diagnosis, with sensitivity, precision, and specificity being 92%, 94%, and 95%, respectively. Shapley values analysis to understand the impact of spectral features on the SVM classifier identified β-pleated and β-turn sheets as responsible for classification. Results indicate the potential of saliva-based FTIR for autism diagnosis, warranting a large-scale trial.
  • Nenhuma Miniatura disponível
    Item
    Validação da espectroscopia ATR-FTIR associada ao Machine Learning para identificação de um polimorfismo genético
    (2026-04-09) Canevari, Renata de Azevedo; Castilho, Maiara Lima; Santos, Laurita dos; Diniz, Ramon Varella; São José dos Campos
    Polimorfismos de nucleotídeo único (SNPs) desempenham um papel central na suscetibilidade genética a distúrbios multifatoriais, como obesidade e diabetes mellitus tipo 2 (DM2), o que evidencia a necessidade de estratégias de genotipagem escaláveis e de baixo custo. Este estudo avaliou a viabilidade da espectroscopia no infravermelho com transformada de Fourier por reflexão total atenuada (ATR-FTIR) combinada a machine learning (ML) para discriminar os diferentes tipos de genótipos do SNP -3826A/G localizado no gene UCP1. A genotipagem do SNP foi realizada pela PCR quantitativa em tempo real (qPCR) utilizando ensaios TaqMan em amostras de DNA extraído do sangue de 190 participantes para a definição dos grupos genotípicos (AA, AG e GG). A PCR qualitativa foi realizada em todas as amostras e nos controles negativos de reação (NTCs). Os amplicons da PCR e os NTCs foram utilizados na análise espectral. As análises de componentes principais (PCA), modelos supervisionados de ML e deep learning (DL) foram aplicadas diretamente aos espectros normalizados por Variância Normal Padrão (SNV) nos intervalos espectrais de 2800–3800 cm?¹ , 950–1200 cm?¹ e 900 – 1100 cm?¹ . A viabilidade da técnica de ATR-FTIR associada ao ML foi avaliada por meio da comparação com a qPCR e o sequenciamento de nova geração (NGS), ambas técnicas de genotipagem consideradas atualmente padrão ouro. O melhor desempenho observado na discriminação entre os genótipos AA e GG foi obtido com o modelo de DL de perceptron multicamdas com arquitetura residual simulada na região de 2800–3800 cm?¹, área sob a curva (AUC) de 0,654 e acurácia de 0,716. Nas regiões de fingerprint do DNA de 900–1100 cm?¹ e 950–1200 cm?¹, o melhor desempenho foi observado com o modelo de regressão logística, com AUC de 0,635 e 0,644 e acurácia de 0,696 e 0,720, respectivamente. A técnica de ATR-FTIR associada ao ML apresentou melhor viabilidade de execução em relação as técnicas de sequenciamento e qPCR, com um tempo de processamento por amostra similar a qPCR e menor que o NGS e um custo inferior a ambas as técnicas. Este estudo é pioneiro na aplicação da espectroscopia ATR-FTIR associada ao ML na discriminação de SNPs do genoma humano, mostrando ser uma abordagem com um alto potencial de rastreamento, relativamente rápida e de baixo custo. O estabelecimento de novos critérios e modelos de ML poderão aumentar significativamente o desempenho da técnica na identificação desses polimorfismos genéticos.