乳腺癌是世界上对于女性非常危险的疾病, 其患病率逐年增长, 是世界妇女死亡的主要原因。 在大样本情况下, 乳腺癌临床诊断受优质医疗资源相对短缺的限制, 诊断周期长、 检测费用高。 因此, 高效、 准确、 性价比高的乳腺癌诊断方法具有广阔的应用前景, 为临床诊断迫切需求。 荧光光谱检测是一种可以表征细胞中物理和化学综合变化的方法, 可用于表征正常和癌变细胞的特征。 机器学习擅长从大量数据中挖掘有用信息, 是进行分类和预测的有效手段。 以往机器学习多使用包含部分生化信息的数据库训练模型, 易导致信息缺失。 荧光光谱是细胞多种物质的叠加光谱, 使用荧光光谱特征峰诊断乳腺癌存在量化不确定性问题。 因此, 提出了机器学习结合乳腺癌样本荧光光谱的诊断方法。 使用405 nm波长的激光, 采集了正常和癌变乳腺组织(已做出病理诊断)的荧光光谱数据, 以此作为数据集, 比较了K-近邻(KNN)、 支持向量机(SVM)、 随机森林(RF)三种算法对正常和癌变乳腺组织荧光光谱的分类能力。 判别结果显示: 与SVM算法相比, KNN和RF算法的准确率更高、 平衡召回率和精度的能力更强, 对乳腺癌荧光光谱的分类能力更好, 其准确性、 召回率、 精度以及F1-score函数结果均在95%之上, 更利于乳腺癌的诊断。 进而探讨了权重KNN(WKNN)算法对正常和癌变乳腺组织荧光光谱的分类能力。 WKNN较KNN算法的分类评估结果有小幅度提升, 且具有更好的抗噪和适应能力, 算法简单。 综上所述, 本文提出的机器学习结合荧光光谱的乳腺癌诊断方法, 精度高、 速度快、 性价比高, 是未来乳腺癌诊断方法的发展方向, 具有重要的临床应用价值。
荧光光谱 乳腺癌 机器学习 Fluorescence spectrum Breast cancer Machine learning K-nearest Neighbor KNN 光谱学与光谱分析
2023, 43(8): 2407
中国电子科技集团公司第十一研究所, 北京100015
简述了窃听技术分类和红外热成像原理, 分析了将红外热成像技术应用于反窃听领域的可行性, 并重点介绍了一种基于制冷型红外焦平面探测器的反窃听设备设计方案。该方案具有一定的技术优势, 且对部分窃听装置具有良好的侦测效果。此方案在设计时以用户及使用场景为出发点, 重点关注人机适应性, 具有一定的市场前景。
反窃听 红外 热成像 制冷型探测器 anti-eavesdropping infrared thermal imaging cooled detector
南开大学 信息技术科学院 光电子薄膜器件与技术研究所,天津 300071
研究了110~180 ℃(2 min)下的快速热退火对Cu(In,Ga)Se2(CIGS)薄膜特性及CIGS太阳电池性能的影响.结果表明:对于不同成分比例的CIGS(正常、富Cu、高Ga)电池来说, 150 ℃, 2 min的快速退火最利于电池性能及二极管特性的增加.其中, 退火对富Cu电池的开路电压Voc改善最大, 这是因为快速热退火对消除部分CIGS薄膜中的CuSex有积极作用, 从薄膜的电阻率有少量提高, 器件的短路电流Jsc有少量下降可以得到验证; 而对于高Ga电池来说, 填充因子FF的改善最大, 这是因为高Ga样品的缺陷较多, 退火会消除薄膜内部的部分缺陷, 从而薄膜的迁移率及Jsc都有所提高, 使得FF有较大的增加.
CIGS薄膜太阳电池 成分比例 快速退火 二极管特性 Cu(In Ga)Se2 solar cell Content ratio Rapid thermal annealing Diode characteristics
对腔内自注入再生放大运转时多种谐振腔结构下的输出脉冲宽度作了系统的分析.借助铁氧体传输线技术,用连续改变电脉冲宽度而不改变谐振腔结构的方法,在磷酸盐钕玻璃器件上实现了脉冲宽度在1.3~6ns内方便地连续可调.用较简单的雪崩管电路在同一个普克尔盒上完成了调Q与腔倒空两个动作,得到了功率3MW的单脉冲输出.