混合机器学习辅助拉曼光谱与生成特征增强用于药物鉴定

arXiv:2610.02224v1 公告类型：新 摘要：快速可靠地鉴定药物残留对于保障公众健康、确保食品安全以及实现实用的基于拉曼的筛查非常重要。在这项研究中，我们提出了 HyMLRaman，这是一种混合拉曼光谱框架，结合了深度光谱特征提取、生成模型和经典机器学习分类器来识别六种药物化合物，包括阿莫西林、氯霉素、环丙沙星、四环素、布洛芬和扑热息痛。拉曼光谱被转换为光谱图像，并使用多个深度神经网络主干进行编码，其中 EfficientNet-B3 产生最有效的表示。然后，使用分层 10 折交叉验证，将生成的 1536 维嵌入用于训练下游分类器，包括 SVM、KNN、逻辑回归、随机森林、XGBoost 和 ANN。混合 EfficientNet-B3-SVM 配置实现了最强的基线性能，达到 96.31% 的准确率和 96.36% 的宏 F1 分数，优于独立的 CNN 基线。为了解决有限数据条件，在 PCA 缩减的 EfficientNet-B3 潜在空间中引入了生成模型（基于 DDPM 的特征增强）。低数据消融结果表明，DDPM 增强提供了选择性的好处，特别是对于训练分数减少的 KNN，并且其效果仍然依赖于分类器。最后，应用级拉曼药物分析仪演示了将经过训练的模型嵌入交互式拉曼分析工作流程的可行性。这些结果表明 HyMLRaman 为基于拉曼的快速药物筛选提供了一种实用且可解释的途径。