用于检测生物标志物(如DNA或蛋白质等指示疾病存在的分子)的复杂系统对于实时诊断和疾病监测设备至关重要。
加州大学圣克鲁斯分校电气和计算机工程杰出教授Holger Schmidt和他的团队长期以来一直专注于开发独特的，高度敏感的设备，称为光流体芯片来检测生物标志物。
施密特的研究生Vahid Ganjalizadeh领导了一项努力，即使用机器学习来提高其对生物标志物进行准确分类的能力来增强他们的系统。他开发的深度神经网络以99.8%的准确率实时对粒子信号进行分类，该系统对于护理点应用来说相对便宜且便携，如《科学报告》上的一篇新论文所示。
当将生物标志物检测器带入现场或护理点环境(如健康诊所)时，传感器接收到的信号可能不如实验室或受控环境中的信号质量高。这可能是由于多种因素造成的，例如需要使用更便宜的芯片来降低成本，或者温度和湿度等环境特性。
为了应对弱信号的挑战，施密特和他的团队开发了一种深度神经网络，可以高置信度地识别弱信号的来源。研究人员用已知的训练信号训练神经网络，教它识别它可以看到的潜在变化，以便它能够以非常高的准确性识别模式和识别新信号。
首先，施密特实验室设计的平行簇小波分析(PCWA)方法检测到信号的存在。然后，神经网络处理潜在的微弱或嘈杂信号，识别其来源。该系统是实时工作的，因此用户能够在几分之一秒内收到结果。
“这一切都是为了充分利用可能低质量的信号，并真正快速有效地做到这一点，”施密特说。
较小版本的神经网络模型可以在便携式设备上运行。在论文中，研究人员在Google Coral Dev板上运行该系统，这是一种相对便宜的边缘设备，用于加速人工智能算法的执行。这意味着与其他技术相比，系统执行处理所需的功率也更少。
“与一些需要在超级计算机上运行以进行高精度检测的研究不同，我们证明即使是紧凑，便携式，相对便宜的设备也可以为我们完成这项工作，”Ganjalizadeh说。“它使其可用于护理点应用、可行且便携。”
整个系统被设计为完全在本地使用，这意味着数据处理可以在没有互联网访问的情况下进行，这与依赖云计算的其他系统不同。这也提供了数据安全优势，因为无需与云服务器提供商共享数据即可生成结果。
它还设计为能够在移动设备上提供结果，无需将笔记本电脑带入现场。
“你可以建立一个更强大的系统，你可以把它带到资源不足或欠发达的地区，它仍然有效，”施密特说。
这个改进的系统将适用于施密特实验室系统过去用于检测的任何其他生物标志物，例如 COVID-19、埃博拉病毒、流感和癌症生物标志物。虽然他们目前专注于医疗应用，但该系统可能适用于检测任何类型的信号。
为了进一步推动这项技术，施密特和他的实验室成员计划为他们的设备添加更多的动态信号处理功能。这将简化系统，并结合检测低浓度和高浓度分子信号所需的处理技术。该团队还致力于将设置的离散部分引入光流体芯片的集成设计中。