Hybrydowe uczenie maszynowe wspomaga identyfikację leków poprzez spektroskopię Ramana

Naukowcy zaproponowali HyMLRaman, hybrydowy system do szybkiej identyfikacji sześciu leków farmaceutycznych na podstawie spektroskopii Ramana: amoksycyliny, chloramfenikolu, cyprofloksacyny, tetracykliny, ibuprofenu i paracetamolu. System konwertuje spektra Ramana na obrazy spektralne, które są przetwarzane przez sieć neuronową EfficientNet-B3 generującą 1536-wymiarowe wektory cech. Te cechy są następnie klasyfikowane za pomocą klasycznych algorytmów uczenia maszynowego takich jak SVM, KNN, regresja logistyczna, las losowy, XGBoost i sieci neuronowe.

Hybrydowa konfiguracja EfficientNet-B3 połączona z SVM osiąga najlepsze wyniki - 96,31% dokładności i wynik makro-F1 wynoszący 96,36%, przekraczając wydajność samodzielnych modeli CNN. Aby radzić sobie z brakiem wystarczających danych treningowych, zespół wprowadził generatywny model DDPM do augmentacji cech w zredukowanej przestrzeni latentnej sieci EfficientNet-B3. Badania pokazują, że augmentacja DDPM przynosi selektywne korzyści, szczególnie dla algorytmu KNN w scenariuszach z ograniczoną liczbą próbek, chociaż efekt pozostaje zależny od konkretnego klasyfikatora.

To rozwiązanie ma praktyczne znaczenie dla bezpieczeństwa żywności i zdrowia publicznego, umożliwiając szybkie i niezawodne określanie pozostałości farmaceutycznych w produktach. Spektroskopia Ramana to bezinwazyjna technika optyczna, a połączenie jej z zaawansowanymi metodami uczenia maszynowego otwiera możliwości dla polowych systemów screening'owych.