基于血清拉曼光谱的卷积神经网络-支持向量机融合模型提升包虫病诊断效能研究

本研究创新性地将卷积神经网络（CNN）与支持向量机（SVM）结合，构建CNN-SVM混合模型用于血清拉曼光谱分析，实现了包虫病（HE）、肝硬化（LC）、肝细胞癌（HCC）和正常对照（NC）四类样本的高精度分类（准确率96.5%），显著优于单一CNN（92.3%）和SVM（89.3%）。该技术突破了传统影像学和血清学检测的局限性，为包虫病的早期筛查提供了快速、无创的新型诊断策略。

　　

亮点

本研究首次将CNN-SVM混合架构应用于包虫病血清拉曼光谱分析，通过深度学习特征提取与传统机器学习分类优势互补，在复杂多类诊断任务中展现出卓越性能。

材料与方法

共收集573例血清样本（含HE、LC、HCC及NC），采用600-3500 cm^?1范围的拉曼光谱进行检测。CNN网络自动提取光谱特征后，由SVM完成分类决策，并通过SHAP值解析关键生物标志物。

结果

四分类任务中CNN-SVM准确率达96.5%，较单一模型提升显著。高波数区（2800-3050 cm^?1）的β-胡萝卜素特征峰被证实为HE诊断的关键指标。与金标渗滤法（DIGFA）相比，该模型在HE筛查中的准确率提升7.8%。

结论

CNN-SVM模型通过挖掘血清分子指纹信息，为包虫病鉴别诊断提供了高精度解决方案，尤其适用于资源匮乏地区的现场快速筛查。