拉曼光谱与机器学习的结合目前已是各个领域研究的热点,随着它的迅猛发展,已经有越来越多的研究者用其进行生物医学方面的研究。本文介绍了共聚焦拉曼光谱与机器学习的结合在肺腺癌检测中的研究意义,并结合癌症组织和正常组织的拉曼光谱数据作为研究对象,并分析拉曼光谱数据的特征峰和强度之比以及每处的成分结构,分析拉曼数据的特点所在,并进行特征选择与提取,建立数据集,再结合机器学习对数据进行分类决策,并针对参数进行优化。文章的主要研究工作如下:1.提出使用机器学习解决拉曼光谱分类的算法。选择可能会同在胸水中出现的A549与Met-5A,使用WITec光谱仪测量出两种拉曼光谱数据,建立数据集。生物样本的拉曼光谱数据即是在600-1800cm^-1范围内的获得,本文分析了在此范围内的特征峰位置以及峰值,还有在两个样本间的拉曼位移变化,进行特征峰筛选。2.建立数据集以后,对数据集中的数据进行分析,本文使用了两种方法:基于主成分分析的特征分析与多变量间相关性分析,本文使用三大相关系数中的皮尔森系数。使用PCA进行实验,证明11个特征的贡献率达到100%,表明这11个特征便能代表全部信息的覆盖。在使用多变量间相关性分析时,分别以每一个特征向量为因变量,经验证得到最高的准确度,同样证明了前11个主成分达到了最好的效果。PCA在聚类方面取得了不错的效果,得到准确度90.06%、灵敏度94.62%、特异性85.28%和MCC是80.39%。此部分的特征分析为后续的分类提供了很好的数据输入。3.在对建立的数据集继续进行分类研究,分别建立不同的分类模型:阈值分类、SVM、K-means。在这之前,本文比较了三种数据集划分的方法,实验中选择交叉验证,将划分5个子集。针对阈值分类显然并不能将非线性的数据有效地分离,虽然也是经过公式演算的。而SVM是一种有效的分类器,针对此算法,本文选取了不同的核函数来进行比较,并对不同核函数的不同参数进行优化。最终确定RBF核函数参数的构建模型效果最好。K-means的可选择参数只有k,选定为2,不过最终分类结果没有SVM优异。4.对拉曼光谱数据进行分类,只是一个在临床上的初筛的步骤,而想要进一步的确诊,还需要对分类为癌症的样本精确定位,本文选择共聚焦拉曼成像技术,可广泛用于生物信息成分的表征与分析。