El antígeno de superficie de la hepatitis B (HBsAg) es un marcador importante de la infección por el virus de la hepatitis B. Este artículo establece un nuevo método de reconocimiento de patrones espectrales en el rango visible-infrarrojo cercano (Vis-NIR) sin reactivos para la infección sérica por HBsAg. Se recopilaron 1243 muestras clínicas de suero (601 positivas para HBsAg, 642 negativas) y, utilizando un diseño experimental de entrenamiento-predicción-validación, se construyó un nuevo algoritmo integrado de red neuronal convolucional (CNN) basado en convoluciones multiescalares, un mecanismo de atención de red de compresión-excitación (SE Net) y convoluciones dilatadas multiescalares, junto con el análisis discriminante por mínimos cuadrados parciales clásico (PLS-DA) y un algoritmo CNN superficial común, para establecer un modelo discriminativo espectral Vis-NIR para sueros positivos y negativos a HBsAg. El estudio utilizó la transformación de variables normales estándar (SNV) para el preprocesamiento espectral. Los modelos PLS-DA y CNN basados en espectros tratados con SNV en la región del infrarrojo cercano (780~1118 nm) lograron mejores efectos de modelado, con una sensibilidad (SEN) del nuevo modelo CNN del 99,3% y una tasa de falsos negativos (FNR) del 0,7%. Los resultados indican que la discriminación precisa de sueros positivos y negativos para HBsAg mediante espectros Vis-NIR es factible, y que el nuevo algoritmo de aprendizaje profundo propuesto podría aplicarse en otros campos de análisis espectral.

reconocimiento de patrones espectrales visible-infrarrojo cercano;discriminación de infección sérica por HBsAg;análisis discriminante por mínimos cuadrados parciales (PLS-DA);red neuronal convolucional (CNN);mecanismo de atención SE Net;convoluciones dilatadas multiescalares