O antígeno de superfície da hepatite B (HBsAg) é um marcador importante da infecção pelo vírus da hepatite B. Este artigo estabelece um novo método de reconhecimento de padrão espectral Vis-NIR (visível-infravermelho próximo) para infecção sérica por HBsAg sem a utilização de reagentes. Foram coletadas 1.243 amostras clínicas de soro (601 positivas para HBsAg, 642 negativas), utilizando um desenho experimental de treino-previsão-validação, foi construído um novo algoritmo integrado de rede neural convolucional (CNN) baseado em convoluções multiescalares, mecanismo de atenção de rede de compressão-excitação (SE Net) e convoluções dilatadas multiescalares, juntamente com a análise discriminante por mínimos quadrados parciais clássica (PLS-DA) e o algoritmo CNN superficial comum, para estabelecer um modelo discriminativo espectral Vis-NIR para soros positivos e negativos para HBsAg. Este estudo adotou a transformação de variáveis normais padrão (SNV) para o pré-processamento espectral. Os modelos PLS-DA e o novo modelo CNN baseados em espectros tratados por SNV na região do infravermelho próximo (780~1118 nm) alcançaram melhor desempenho de modelagem, com sensibilidade (SEN) do novo modelo CNN chegando a 99,3% e taxa de falso negativo (FNR) de 0,7%. Os resultados mostram que a discriminação precisa entre soros positivos e negativos para HBsAg baseada em espectros Vis-NIR é viável, e o novo algoritmo de aprendizado profundo proposto pode ser aplicado a outros campos da análise espectral.

reconhecimento de padrões espectrais visível-infravermelho próximo;discriminação de infecção sérica por HBsAg;análise discriminante por mínimos quadrados parciais (PLS-DA);rede neural convolucional (CNN);mecanismo de atenção SE Net;convoluções dilatadas multiescalares