اسکنر متابولیک کف دست: تحلیل‌گر هیبریدی SERS–حرارتی برای غربالگری غیرتهاجمی خطر اختلالات متابولیک

اسکنر متابولیک کف دست: تحلیل‌گر هیبریدی SERS–حرارتی برای غربالگری غیرتهاجمی خطر اختلالات متابولیک

بابک شریفی طاسکوه1

1) گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد ساری، ساری، ایران

کد IOI مقاله : ABEB-ABHGEF
محل انتشار : چهارمین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com)
چکیده :
    با توجه به افزایش روزافزون شیوع جهانی اختلالات متابولیک، از جمله دیابت نوع ۲ (T2DM)، سندرم متابولیک (MetS) و اختلال عملکرد میتوکندری، نیاز به ابزارهای تشخیصی سریع، غیرتهاجمی و چندپارامتری که بتوانند امضای متابولیکی ناهمگون افراد را در محل ارائه خدمات درمانی ارزیابی کنند، بیش از پیش احساس می‌شود. در این پژوهش، یک اسکنر متابولیک کف دست (Metabolic Palm Scanner) معرفی شده است که با تلفیق طیف‌سنجی رامان تقویت‌شده سطحی (SERS) و تصویربرداری از الگوهای ریزحرارتی، وضعیت سلامت متابولیک افراد را به‌صورت غیرتهاجمی و از طریق کف دست ارزیابی می‌کند. همچنین امکان‌پذیری فنی این سامانه با استفاده از یک چارچوب اعتبارسنجی کاملاً محاسباتی (In Silico) بررسی شده است. معماری دومدالی این سامانه سه دسته مکمل از نشانگرهای زیستی را هدف قرار می‌دهد: نشانگرهای مرتبط با گلوکز و مقاومت به انسولین از طریق تحلیل طیف‌های SERS، شاخص‌های استرس اکسیداتیو شامل اسید اوریک و گلوتاتیون احیاشده، و الگوهای حرارتی ریزعروقی که بیانگر اختلال در تولید گرمای متابولیکی و تغییرات خون‌رسانی بافت هستند. برای تولید و طبقه‌بندی داده‌های شبیه‌سازی‌شده، یک زنجیره پردازشی چندمرحله‌ای در محیط MATLAB شامل تحلیل مؤلفه‌های اصلی (PCA)، ماشین بردار پشتیبان (SVM) و مدل‌سازی حرارتی مبتنی بر معادله زیوحرارتی پنس (Pennes Bioheat Equation) به کار گرفته شد. این چارچوب سه وضعیت متابولیکی شامل سالم، پیش‌سندرم متابولیک و سندرم متابولیک کامل/دیابت نوع ۲ را شبیه‌سازی و طبقه‌بندی می‌کند. طیف‌های مصنوعی SERS با استفاده از برهم‌نهی قله‌های لورنتزی و افزودن نویزهای پواسون و گاوسی تولید شدند و نقشه‌های حرارتی کف دست نیز از طریق شبیه‌سازی انتقال حرارت به روش اجزای محدود و بر اساس محدوده‌های فیزیولوژیکی گزارش‌شده در منابع علمی ایجاد شدند. نتایج اعتبارسنجی با استفاده از اعتبارسنجی متقابل ۱۰ بخشی (10-fold Cross-Validation) بر روی داده‌های مصنوعی نشان داد که مدل تلفیقی به دقت کلی ۸۹٫۳ درصد و مساحت زیر منحنی (Macro-AUC) برابر با ۰٫۹۴ دست یافته است. این عملکرد نسبت به مدل مبتنی بر SERS به‌تنهایی (۷۹٫۴ درصد، AUC=0.87) و مدل مبتنی بر تصاویر حرارتی به‌تنهایی (۷۲٫۱ درصد، AUC=0.79) به‌ترتیب ۹٫۹ و ۱۷٫۲ واحد درصد بهبود نشان می‌دهد. لازم به تأکید است که این نتایج صرفاً بیانگر امکان‌پذیری نظری و الگوریتمی سامانه هستند و نباید به‌عنوان عملکرد بالینی آن تفسیر شوند، زیرا در این پژوهش از هیچ‌گونه نمونه انسانی، عرق یا داده‌های درون‌تنی (In Vivo) استفاده نشده است. بنابراین، شاخص‌های گزارش‌شده تنها میزان توانایی الگوریتم در تفکیک مدل‌های آماری فرض‌شده برای سه گروه متابولیکی را نشان می‌دهند و بیانگر دقت تشخیص در بیماران واقعی نیستند. با وجود این محدودیت، پژوهش حاضر یک چارچوب محاسباتی مشخص، قابل بازتولید و مستند شامل معادلات حاکم، مدل‌های نویز و معماری تلفیق داده‌ها ارائه می‌دهد که می‌تواند مبنایی برای توسعه نمونه اولیه سخت‌افزاری، مشخصه‌یابی بسترهای نانواستار طلا و انجام مطالعات اعتبارسنجی بالینی در آینده باشد.

کلمات کلیدی : طیف‌سنجی رامان تقویت‌شده سطحی (sers) تصویربرداری حرارتی سندرم متابولیک مقاومت به انسولین استرس اکسیداتیو تشخیص غیرتهاجمی طیف‌سنجی رامان انتقال حرارت زیستی تلفیق چندوجهی داده‌ها طبقه‌بندی با ماشین بردار پشتیبان (svm)