共计 1079 个字符，预计需要花费 3 分钟才能阅读完成。
莱斯大学的研究团队近日开发了一种名为“峰值敏感弹性网络逻辑回归”（PSE-LR）的新型机器学习算法，该算法能够精准解读分子、材料及疾病生物标志物的“光信号”或光谱，有望实现更快速、更精确的医疗诊断和样本分析。
“想象一下，只需将光线照射在液体滴或组织样本上，就能检测出阿尔茨海默病或 COVID-19 等疾病的早期迹象，”莱斯大学电气与计算机工程博士生、一项研究 的第一作者王梓阳（Ziyang Wang）表示。“我们的工作通过教会计算机如何更好地‘读取’微小分子散射的光信号，使这成为可能。”
- 
- 
- 
- 
- 
- 
每种材料或分子都以独特的方式与光相互作用，产生独特的模式——就像指纹一样。光学光谱学是一种通过将激光照射在材料上以观察光如何与其相互作用的技术，广泛应用于化学、材料科学和医学领域。然而，解读光谱数据可能既困难又耗时，尤其是在样本之间的差异微妙时。PSE-LR 算法专门设计用于分析基于光的数据。
“组织或其他生物样本的光谱可以揭示体内发生的许多情况，”王梓阳说。“这很重要，因为更快、更准确的疾病检测可以带来更好的治疗并挽救生命。除了健康领域，我们的方法还可以帮助科学家理解新材料，从而开发出更智能的传感器和更小的诊断设备。”
PSE-LR 不仅能够准确分类不同的样本，而且在决策过程中具有透明性——这是许多先进机器学习模型并不擅长的。PSE-LR 提供了一种“特征重要性图”，突出显示光谱中哪些部分对分类决策起了关键作用，从而使结果更易于解释、验证和采取行动。
“我们的算法旨在关注信号中最重要的部分——即最关键的光谱峰值，”王梓阳将 PSE-LR 比作“学习在光信号中寻找隐藏线索的侦探。”
研究人员将 PSE-LR 与其他机器学习模型进行了对比测试，结果显示其在识别微妙或重叠的光谱特征方面表现尤为出色。
“大多数模型要么忽略了微小的细节，要么过于复杂而难以理解，”王梓阳说。“我们希望通过构建既智能又可解释的模型来解决这一问题。”
该模型在一系列测试中也表现良好，这些测试评估了其在现实世界中的敏锐度，包括检测液体样本中超低浓度的 SARS-CoV- 2 刺突蛋白、识别小鼠脑组织中的神经保护溶液、分类阿尔茨海默病样本以及区分二维半导体。
“我们的工具能够解析基于光的数据，捕捉通常难以通过传统方法检测到的非常微妙的信号，”该研究的通讯作者、电气与计算机工程及材料科学与纳米工程副教授 Shengxi Huang 说道。
这种新算法可能推动新型诊断工具、生物传感器或纳米设备的开发。
“这些发现可能有助于改变医学诊断和材料科学，让我们更接近一个智能技术帮助更快、更有效地检测和应对健康问题的世界，”王梓阳表示。
