Das Hepatitis-B-Oberflächenantigen (HBsAg) ist ein wichtiger Marker für eine Hepatitis-B-Virusinfektion. In diesem Artikel wurde eine neue Methode zur Vis-NIR-Spektralmustererkennung der HBsAg-Infektion im Serum ohne Reagenzien entwickelt. Es wurden 1243 klinische Serenproben gesammelt (601 HBsAg-positiv, 642 negativ). Unter Verwendung eines Trainings-Vorhersage-Prüfungs-Experimentdesigns wurde ein neuer Ensemble-Algorithmus eines Convolutional Neural Networks (CNN) basierend auf Mehrskalen-Convolution, Compression-Excitation-Netzwerk (SE Net) Aufmerksamkeitsmechanismus und Mehrskalen-Dilations-Convolution entwickelt und zusammen mit der klassischen partiellen kleinsten Quadrate - diskiminanten Analyse (PLS-DA) und einem üblichen flachen CNN-Algorithmus verwendet, um ein Vis-NIR-Spektraldiskriminierungsmodell für HBsAg-positive und negative Seren zu erstellen. Die Studie verwendete die Standard-Normalvariablen (SNV)-Transformation zur Spektralvorverarbeitung. Die PLS-DA-Modelle und das neue CNN-Modell basierend auf SNV-behandelten Spektren im nahinfraroten Bereich (780~1118 nm) erzielten bessere Modellierungsergebnisse, wobei die Sensitivität (SEN) des neuen CNN-Modells 99,3 % und die Falsch-Negativ-Rate (FNR) 0,7 % erreichte. Die Ergebnisse zeigen, dass die präzise Unterscheidung von HBsAg-positiven und negativen Seren mittels Vis-NIR-Spektren machbar ist und der vorgeschlagene neue Deep-Learning-Algorithmus auch in anderen Bereichen der Spektralanalyse Anwendung finden kann.

erkennung von sichtbaren und nahinfraroten spektralmustern;unterscheidung der HBsAg-seruminfektion;partielle kleinste quadrate - diskiminante analyse (PLS-DA);convolutional neural network (CNN);SE Net aufmerksamkeitsmechanismus;mehrskalige dilatationsconvolution