从高光谱图像中选择标量和矢量特征，以供机器学习分类器对比X射线和碳离子辐射在概率空间中的影响

本研究的目的是找到一组适合多类机器学习（ML）架构的光谱特征，以快速、有效且准确地区分接受碳离子（CI）、X射线（XR）照射及未照射（REF）的软骨肉瘤细胞核，并可用于两种辐射类型造成的影响的比较评估。候选特征包括来自SW1353软骨肉瘤系高光谱图像（HIS）的四组标量和矢量特征，其选择基于特征相关性、交叉熵损失、鲁棒性、运行时间、内存使用和整体分类准确性等标准。限制在415–460 nm光谱窗口的六个标量特征获得了最佳结果。随后利用相关的ML分类器通过概率空间中的距离度量比较X射线和碳离子引起的特定变化，其中排序被正式视为预测算子的作用。我们引入混淆域的概念，作为能够揭示SW1353细胞在不同辐射类型下光谱特征不同变化的合适方法。研究结果在混淆域的所有部分表现出一致性，从而支持关于辐射类型不同影响的结论。结果表明，REF类更接近XR类而不是CI类，因此与碳离子相比，X射线对相关光谱特性的影响较小。细胞核对X射线的生物抗性高于对碳离子照射的抗性。我们研究的实际意义在于展示了在单细胞水平上检测电离辐射效应幅度的决策过程实现自动化的可能性，使用未染色细胞核的高光谱成像（HSI），对放射抗性细胞的放射治疗具有潜在影响。