基于通道注意力的 PLS-1D-CNN 模型用于 SARS-CoV-2 系统的现场精准筛查——在有限红外特征情境下
信号处理
2024-10-29 v1 人工智能
机器学习
生物大分子
摘要
在呼吸道病毒爆发初期，如严重急性呼吸道综合征冠状病毒 2 号(SARS-CoV-2)，高效利用有限的鼻咽拭子进行快速准确筛查对于公共卫生至关重要。本研究提出一种方法，将经总反射傅里叶变换红外光谱(ATR-FTIR)与自适应迭代加权惩罚最小二乘(airPLS)预处理算法相结合，并引入基于通道注意力的部分最小二乘一维卷积神经网络(PLS-1D-CNN)模型，实现对感染者 10 分钟内的准确筛查。我们在北京瑞安医院收集了两个队列的鼻咽拭子样本，分别包含 126 个和 112 个疑似 SARS-CoV-2 Omicron 变异病例样本。鉴于 ATR-FTIR 光谱对实验条件变化极其敏感，这会影响其质量，我们提出了生物分子重要性(BMI)评估方法，以评估不同条件下的信号质量，其 Validated by comparing BMI with PLS-GBM and PLS-RF results。对于 cohort 2 中的 ATR-FTIR 信号，其 BMI 较高，采用 airPLS 进行信号预处理，随后应用基于通道注意力的 PLS-1D-CNN 模型进行筛查。实验结果表明，我们的方法在呼吸道病毒光谱检测领域的最新方法中表现更佳，实现了 96.48% 的识别筛查准确率、96.24% 的灵敏度、97.14% 的特异度、96.12% 的 F1 分数以及 0.99 的 AUC。它符合世界卫生组织(WHO)对可接受产品的推荐标准：灵敏度 ≥ 95.00%，特异度 ≥ 97.00%，适用于中到高批量场景下的 SARS-CoV-2 既往感染测试。
引用
@article{arxiv.2410.20132,
title = {On-Site Precise Screening of SARS-CoV-2 Systems Using a Channel-Wise Attention-Based PLS-1D-CNN Model with Limited Infrared Signatures},
author = {Wenwen Zhang and Zhouzhuo Tang and Yingmei Feng and Xia Yu and Qi Jie Wang and Zhiping Lin},
journal= {arXiv preprint arXiv:2410.20132},
year = {2024}
}