L'antigène de surface de l'hépatite B (HBsAg) est un marqueur important de l'infection par le virus de l'hépatite B. Cet article établit une nouvelle méthode de reconnaissance de motif spectroscopique dans le visible-proche infrarouge (Vis-NIR) sans réactifs pour l'infection sérique par HBsAg. 1243 échantillons cliniques de sérum ont été recueillis (601 positifs HBsAg, 642 négatifs). En utilisant un design expérimental entraînement-prédiction-validation, un nouvel algorithme d'ensemble de réseau de neurones convolutionnels (CNN) basé sur des convolutions multi-échelles, le mécanisme d'attention du réseau compression-excitation (SE Net) et des convolutions dilatées multi-échelles a été construit, associé à l'analyse discriminante par moindres carrés partiels classique (PLS-DA) et à un algorithme CNN superficiel classique, pour établir un modèle de discrimination spectrale Vis-NIR du sérum HBsAg positif et négatif. L'étude a utilisé la transformation des variables normales standard (SNV) pour le prétraitement spectral. Les modèles PLS-DA et CNN basés sur les spectres traités par SNV dans la région proche infrarouge (780~1118 nm) ont obtenu de meilleurs résultats, avec une sensibilité (SEN) du nouveau modèle CNN atteignant 99,3% et un taux de faux négatifs (FNR) de 0,7%. Les résultats montrent que la discrimination précise du sérum HBsAg positif et négatif basée sur le spectre Vis-NIR est faisable, et que le nouvel algorithme d'apprentissage profond proposé pourrait être appliqué à d'autres domaines d'analyse spectrale.

reconnaissance des motifs spectroscopiques visible-proche infrarouge;discrimination de l'infection sérique HBsAg;analyse discriminante par moindres carrés partiels (PLS-DA);réseau de neurones convolutionnel (CNN);mécanisme d'attention SE Net;convolutions dilatées multi-échelles