采用Objectosphere方法的开放世界学习设置下的拉曼光谱分析
机器学习
2021-11-12 v1 人工智能
应用物理
生物物理
计算物理
医学物理
摘要
拉曼光谱与机器学习相结合，作为一种快速、灵敏且无标记识别方法，在临床环境应用中前景显著。这些方法对包含训练阶段所出现类别的数据分类表现良好。然而实践中，总存在谱图尚未采集或尚不知晓的物质，当输入数据远离训练集并包含训练阶段未见过的新类别时，会记录大量假阳性，限制了这些算法的临床相关性。本文表明，通过实现近期提出的熵开放集（Entropic Open Set）与Objectosphere损失函数可克服这些障碍。为展示该方法效率，我们编制了40个化学类别的拉曼光谱数据库，将其分为20个生物相关类别（由氨基酸构成）、10个无关类别（由生物相关化学品构成）与10个神经网络未见过类别（由多种其他化学品构成）。我们表明该方法使网络能有效识别未知类别，同时在已知类别上保持高准确率，大幅减少假阳性数量，同时保持已知类别高准确率，这将使该技术弥合实验室实验与临床应用间的差距。
引用
@article{arxiv.2111.06268,
title = {Raman spectroscopy in open world learning settings using the Objectosphere approach},
author = {Yaroslav Balytskyi and Justin Bendesky and Tristan Paul and Guy Hagen and Kelly McNear},
journal= {arXiv preprint arXiv:2111.06268},
year = {2021}
}