AI导读：

美国莱斯大学研究团队开发出新的机器学习算法PSE-LR，擅长解释分子、材料和疾病生物标志物的独特光学特征，有望提升医学诊断和样本分析的速度和精确度。该算法已在新一期《纳米》杂志上发表。

　　美国莱斯大学研究团队近期公布了一项突破性的机器学习算法——峰值敏感弹性网络逻辑回归（PSE-LR）。这一创新算法擅长分析分子、材料及疾病生物标志物的独特光学特征，有望极大提升医学诊断和样本分析的速度和精确度。相关研究成果已在新一期《纳米》杂志上发表。

　　研究团队强调，该技术的核心在于让计算机学会识别分子或材料等与光互动时产生的独特“指纹”。借助PSE-LR，医生或许只需将光照射在液体或组织样本上，即可捕捉到阿尔茨海默病等疾病的早期信号，实现医学诊断的革新。

　　PSE-LR不仅具有卓越的识别能力，还具备高度的可解释性。与“黑箱”式机器学习模型不同，它能生成直观清晰的“特征重要性图谱”，突出关键光谱区段，使诊断结果更加可靠、可解释和可溯源，极大地方便了后续的验证工作。

　　在与其他机器学习模型的对比测试中，PSE-LR展现出了更为出色的性能，特别是在识别复杂或重叠的光谱特征方面。此外，在后续的系列实验中，该算法也表现出色，包括成功检测出液体中的新冠病毒刺突蛋白痕量、精准识别小鼠脑组织内的神经保护成分、有效区分阿尔茨海默病样本的细微光谱差异，以及鉴别二维半导体材料的独特光学特征等。

（文章来源：科技日报）