Прогнозирование заболеваний щитовидной железы с помощью спектроскопии на основе машинного обучения

• Автор: Рагураман, М. Т.
• Издатель: Vikatan Publishing Solutions
• Дата выпуска: 29 марта 2023 г.
• Количество страниц: 134
• Размеры: 15,2 x 0,7 x 22.9
• Язык: Английский: Опубликовано; Английский: язык оригинала; Английский
• ISBN: 9786817617921

Заболевания щитовидной железы являются одними из наиболее распространенных эндокринных заболеваний, от которых страдают миллионы людей во всем мире. Раннее выявление заболеваний щитовидной железы имеет важное значение для эффективного лечения и контроля этого состояния. В настоящее время для диагностики заболеваний щитовидной железы используются лабораторные тесты, но эти тесты могут быть трудоемкими и дорогостоящими. В последние годы растет интерес к использованию спектроскопии и машинного обучения для прогнозирования заболеваний щитовидной железы. Спектроскопия — мощный инструмент для анализа биологических образцов. Он включает в себя измерение взаимодействия между светом и материей, что позволяет идентифицировать и количественно определять различные химические соединения. Спектроскопию можно использовать для выявления изменений биохимического состава биологических тканей, которые могут свидетельствовать о заболеваниях щитовидной железы. Машинное обучение — это область искусственного интеллекта, которая включает в себя разработку алгоритмов, способных учиться на данных. Алгоритмы машинного обучения можно обучить распознавать закономерности в спектроскопических данных, связанные с заболеваниями щитовидной железы. После обучения эти алгоритмы можно использовать для прогнозирования вероятности наличия у пациента заболевания щитовидной железы на основе спектроскопических данных. В нескольких исследованиях изучалось использование спектроскопии и машинного обучения для прогнозирования заболеваний щитовидной железы. В одном исследовании использовалась спектроскопия ближнего инфракрасного диапазона (NIR) для анализа щитовидной железы пациентов с заболеваниями щитовидной железы. Исследование показало, что БИК-спектроскопия может точно отличить здоровую ткань щитовидной железы от ткани с заболеваниями щитовидной железы. В другом исследовании использовалась рамановская спектроскопия для анализа крови пациентов с заболеваниями щитовидной железы. Исследование показало, что рамановская спектроскопия может точно отличить образцы здоровой крови от образцов крови пациентов с заболеваниями щитовидной железы. Исследование также показало, что алгоритмы машинного обучения можно использовать для прогнозирования наличия заболеваний щитовидной железы на основе данных рамановской спектроскопии.