探索基于 GC-IMS 数据的感染检测机器学习算法：一项初步研究

Christos Sardianos; Chrysostomos Symvoulidis; Matthias Schlögl; Iraklis Varlamis; Georgios Th. Papadopoulos

探索基于 GC-IMS 数据的感染检测机器学习算法：一项初步研究

机器学习 2024-04-25 v1

作者: Christos Sardianos , Chrysostomos Symvoulidis , Matthias Schlögl , Iraklis Varlamis , Georgios Th. Papadopoulos

摘要

增强性诊断技术在传染病诊断领域是当今医疗保健的关键领域。通过利用气相色谱-离子迁移谱 (GC-IMS) 数据并将机器学习算法整合到一个平台中，本研究旨在解决精确感染识别的持续问题。受上述困难启发，我们的目标包括创建强大的数据分析流程、提升机器学习 (ML) 模型的效果，并进行彻底的临床验证。我们的研究通过将气相色谱-离子迁移谱 (GC-IMS) 数据和机器学习算法集成到统一的实验室信息管理系统 (LIMS) 平台中，为新兴的高级诊断技术贡献。初步试验显示，在采用各种机器学习算法对感染和非感染样本进行区分时，表现出令人鼓舞的准确性水平。当前的后续工作集中于提高模型的效果、探索阐明其功能的技术方法，以及整合多种数据类型以进一步支持疾病的早期检测。

关键词

机器学习 GC-IMS 感染检测气相色谱离子迁移谱

引用

@article{arxiv.2404.15757,
  title  = {Exploring Machine Learning Algorithms for Infection Detection Using GC-IMS Data: A Preliminary Study},
  author = {Christos Sardianos and Chrysostomos Symvoulidis and Matthias Schlögl and Iraklis Varlamis and Georgios Th. Papadopoulos},
  journal= {arXiv preprint arXiv:2404.15757},
  year   = {2024}
}

备注

EEITE 2024, IEEE Conference

探索基于 GC-IMS 数据的感染检测机器学习算法：一项初步研究

摘要

关键词

引用

备注

相关论文