新的AI算法提升基于光的数据分析精度
2025年4月29日
通过增强清晰度解码分子指纹
每个分子和材料都有一种独特的方式与光相互作用，形成独特的光学谱线，类似于指纹。光谱学是一种通过照射样品并观察散射光来进行分析的技术，在多个领域中都是基础性的。然而，特别是当样品之间存在细微差异时，解读这些光谱模式可能是一个繁琐而复杂的过程。
新开发的PSE-LR算法专门设计来克服这些挑战，使计算机能够更有效地“读取”这些光信号中的信息。
AI算法：通往更快诊断和材料理解的途径
Ziyang Wang是莱斯大学电气和计算机工程专业的博士生，也是发表在《ACS Nano》上的这项研究的主要作者。他设想了在医疗诊断方面的变革性应用。“想象一下，只需用光照射一滴液体或组织样本就能检测出阿尔茨海默病或COVID-19的早期迹象，”Wang说。“我们的工作通过教计算机更好地‘读取’从微小分子散射出来的光信号，使这成为可能。”
除了医疗保健，该算法还有潜力加速对新型材料的理解，为更智能的传感器和微型诊断设备铺平道路。
提供AI决策透明度
PSE-LR的一个关键优势在于其透明性。与许多复杂的“黑箱”机器学习模型不同，PSE-LR提供了一个“特征重要性图”。这张图清楚地标出了在算法分类决策中最具影响力的特定光谱部分。
这种可解释性对于验证结果和建立对AI分析的信任至关重要。Wang将PSE-LR比作“学会在光信号中寻找线索的侦探”，强调其能够专注于最重要的光谱特征。
在多种应用中展示的准确性
研究人员对PSE-LR进行了严格的测试，与其他已建立的机器学习模型进行对比，展示了其在区分细微和重叠光谱特征方面的优越性能。该算法在实际应用中成功检测到了SARS-CoV-2刺突蛋白的微量浓度，识别了小鼠脑组织样本中的神经保护溶液，分类了阿尔茨海默病样本，并区分了不同类型的二维半导体。
Shengxi Huang是莱斯大学的副教授，也是该研究的通讯作者之一，她强调了该工具能够“解析基于光的数据，以捕捉传统方法难以发现的非常微妙的信号”。PSE-LR的发展为创新诊断工具、生物传感器和纳米设备的创建打开了大门，有望迎来更高效和有效的健康监测和材料科学研究的新时代。
(全文结束)
