复杂的生物标志物的检测系统,如DNA或蛋白质分子表明一种疾病的存在,为实时诊断和疾病监测设备是至关重要的。
Holger施密特,一位杰出的电气和计算机工程教授,加州大学圣克鲁斯和他的团队一直致力于开发独特的,高度敏感的设备称为optofluidic芯片来检测生物标记物。
施密特的研究生瓦希德Ganjalizadeh领导努力使用机器学习来增强他们的系统通过改善其准确分类生物标记的能力。深层神经网络他将粒子信号实时预测的准确率为99.8%,系统上是相对便宜和便携式即时应用程序,如图所示新论文在自然科学报告。
当考虑生物标志物探测器等领域或一个医疗点设置一个健康诊所,传感器接收到的信号可能不是那样高质量在实验室或控制环境。这可能是由于各种各样的因素,如需要使用价格更便宜的芯片来降低成本,或环境温度和湿度等特征。
为了解决弱信号的挑战,施密特和他的团队开发了一种深层神经网络可以识别微弱信号高信心的来源。研究人员训练神经网络与已知的训练信号,教它认识到潜在的变化可以看到,这样就可以识别模式和确定新的信号具有很高的准确性。
首先,一个并行集群小波分析(PCWA)的方法设计施密特的实验室检测到信号。然后,神经网络处理潜在的薄弱或嘈杂的信号,确定其来源。这在实时系统的工作原理,所以用户可以在几分之一秒获得结果。
“这都是最可能的低质量的信号,这样做非常快和有效,”施密特说。
一个较小的版本的神经网络模型可以在便携式设备上运行。在论文中,研究人员系统运行在谷歌珊瑚Dev,相对廉价的优势加速执行设备的人工智能算法。这意味着系统还需要较少的能力来执行处理与其他技术相比。
“与一些研究,需要在超级计算机上运行的高精度检测,我们证明了即使是紧凑、便携、相对廉价的设备可以做这项工作对我们来说,“Ganjalizadeh说。“这使它可用,可行的,和便携式即时应用程序。”
整个系统设计用于完全在本地,这意味着数据处理可能发生没有互联网接入,与其他系统,依赖于云计算。这也提供了一种数据安全的优势,因为结果可以产生与云服务器不需要共享数据提供者。
也能给设计结果在一个移动设备,消除需要带笔记本电脑去。
“你可以建立一个更健壮的系统,你可以用资源不足或欠发达地区,仍能工作,”施密特说。
这种改进的系统将为其他生物标记施密特的实验室的工作系统已经用于检测在过去,等Covid、伊波拉病毒、流感、和癌症生物标记。尽管他们目前专注于医疗应用,该系统可能适用于任何类型的信号的检测。
进一步推动技术,施密特和他的实验室成员计划添加更多的动态信号处理功能的设备。这将简化系统,结合所需的处理技术检测信号低和高浓度的分子。团队还将离散的部分设置optofluidic芯片的集成设计。
