Оптическая визуализация и контроль выведения тераностических флуоресцентных нанокомпозитов из организма с помощью искусственных нейронных сетей

Abstract

В данной работе представлены результаты применения искусственных нейронных сетей для решения задачи контроля выведения из организма нанокомпозитов-носителей лекарств и их компонентов по спектрам флуоресценции. Была смоделирована ситуация выведения с уриной нанокомпозитов, состоящих из флуоресцирующих углеродных точек, покрытых сополимерами и лигандами фолиевой кислоты, и их компонентов и решена задача классификации всех наночастиц. При решении указанной задачи использовались различные архитектуры нейронных сетей, а также проводилась компрессия входных признаков: по кросс-корреляции, по кросс- энтропии, по стандартному отклонению, с помощью анализа весов нейронной сети. Получено, что наилучшие результаты классификации нанокомпозитов и их компонентов в урине обеспечивает персептрон с 8 нейронами в единственном скрытом слое, обученный на наборе существенных входных признаков, выделенных с помощью кросс- корреляции. Процент правильного распознавания, усредненный по всевозможным пяти классам наночастиц, составляет 75,8%. In this paper, we present the results of the usage of the artificial neural networks to develop a new method for monitoring the excreted nanocomposite carriers of drugs and their components from the fluorescence spectra. The situation of removal of nanocomposites consisting of fluorescent carbon dots covered with copolymers and ligands of folic acid and their components with urine was modeled and the problem of classification of all nanoparticles was solved. Various architectures of neural networks were used for solving this problem, as well as compression of input features: cross-correlation, cross-entropy, standard deviation, use of the analysis of the neural network weights. The best results of the classification of nanocomposites and their components in urine are provided by a perceptron with 8 neurons in a single hidden layer, trained on a set of significant input features identified by crosscorrelation. The percentage of correct recognition, averaged over all possible five classes of nanoparticles, is 75.8%.