基于血清荧光光谱联合机器学习算法(PCA-LDA/SVM/KNN/DT)的无创快速布鲁氏菌病诊断新策略

【编辑推荐】布鲁氏菌病作为易被忽视的人畜共患病，传统诊断依赖耗时血清学检测。研究人员创新性结合血清荧光光谱与机器学习算法(PCA-LDA/线性SVM/中核RBF SVM/KNN/DT)，发现患者血清在452/624/688 nm处峰降低，495/643 nm处峰升高，其中SVM(线性/RBF)模型准确率达89.0%，为临床提供高效无创检测新方案。

　　

布鲁氏菌病(Brucellosis)是由布鲁氏菌(Brucella)引发的重要人畜共患病，当前诊断依赖临床表现与耗时血清学检测。这项研究开创性地将血清荧光光谱技术与多种机器学习算法——包括主成分分析-线性判别分析(PCA-LDA)、线性支持向量机(linear SVM)、中核径向基函数支持向量机(RBF SVM)、K近邻算法(KNN)和决策树(DT)相结合。光谱分析揭示：感染者血清在452 nm、624 nm和688 nm波长处荧光峰显著降低，而在495 nm和643 nm处出现特征性升高峰。算法比较显示，支持向量机(SVM)的线性与径向基函数核模型表现最优，整体诊断准确率高达89.0%。该研究为布鲁氏菌病检测提供了兼具高精度与无创性的创新方法，其中荧光光谱特征峰与SVM算法的组合展现出重要临床转化价值。