Univerzita PardubiceFakulta elektrotechniky a informatiky

Univerzita Pardubice

Zaměstnanci
|
Studenti
English

Publikace detail

Rapid Colorectal Tissue Classification Using Data-Driven Raman Techniques

Autoři: Tomeš Jakub | Janstová Daniela | Shayestegan Mohsen | Sinica Alla | Kováčová Zuzana | Petrýl Jaromír | Mareš Jan

Rok: 2025

Druh publikace: článek v odborném periodiku

Název zdroje: IEEE ACCESS

Strana od-do: 29601-29612

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Rychlá klasifikace kolorektální tkáně pomocí Ramanových technik řízených daty	Kolorektální karcinom patří celosvětově k nejrozšířenějším nádorovým onemocněním a riziko vzniku tohoto onemocnění se zvyšuje s věkem. To vedlo k doporučení, aby se screeningem začali pacienti ve středním věku. Následně zavedení preventivních programů vedlo k tomu, že je k dispozici větší počet vzorků pro histologickou analýzu. Ramanova spektroskopie nabízí diagnostické řešení této výzvy. V této studii představujeme rychlý postup pro analýzu a klasifikaci Ramanovy tkáně pomocí metod strojového učení, zahrnující jak přístupy s dohledem, tak hybridní přístupy s dohledem a bez dohledu, k rozlišení zdravých a patologických případů na základě dat Ramanovy spektroskopie. Ramanova spektra byla získána pomocí ručního přenosného spektrometru s automatickým algoritmem předzpracování BubbleFill, pokrývající spektrální rozsah 500 až 1800 cm-1. Pro klasifikaci byly vyhodnoceny různé algoritmy strojového učení, včetně algoritmů LSTM (Long Short-Term Memory), MLP (Multi-Layer Perceptron) a XGBoost (Extreme Gradient Boosting), a hybridní metody s dohledem a bez dohledu zahrnující redukci dimenzionality, shlukování a klasifikaci. Výsledky experimentů ukázaly slibnou klasifikaci přesnost, přičemž algoritmus MLP dosáhl až 82% přesnosti. To naznačuje potenciální účinnost metodik neuronových sítí pro klasifikaci dat Ramanovy spektroskopie pro diagnostiku kolorektálního karcinomu.	Klasifikační algoritmy; klinická diagnóza; strojové učení; učení pod dohledem; spektroskopie
eng	Rapid Colorectal Tissue Classification Using Data-Driven Raman Techniques	Colorectal cancer is among the most widespread cancers globally, and the risk of developing this disease increases with age. This has led to the recommendation that screening should begin in middleaged patients. Consequently, the implementation of prevention programs has resulted in a greater number of samples being available for histological analysis. Raman spectroscopy offers a diagnostic solution to this challenge. In this study, we present a rapid procedure for Raman tissue analysis and classification using machine learning methods, including both supervised and hybrid supervised-unsupervised approaches, to distinguish between healthy and pathological cases based on Raman spectroscopy data. Raman spectra were acquired using a handheld portable spectrometer with an automatic BubbleFill preprocessing algorithm, covering at spectral range of 500 to 1800 cm-1. Various machine-learning algorithms have been evaluated for classification, including Long Short-Term Memory (LSTM), Multi-Layer Perceptron (MLP), and Extreme Gradient Boosting (XGBoost), and hybrid supervised-unsupervised methods involving dimensionality reduction, clustering, and classification. The experimental results indicated promising classification accuracy, achieving up to 82% accuracy using the MLP algorithm. This suggests the potential effectiveness of neural network methodologies for the classification of Raman spectroscopy data for the diagnosis of colorectal cancer.	Classification algorithms; clinical diagnosis; machine learning; supervised learning; spectroscopy