LIBS de aprendizaje profundo de conjunto abierto para la identificación de polvos patógenos desconocidos y sin...

Área de la Ciencia:

• Espectroscopía y química analítica
• Inteligencia artificial y aprendizaje automático
• Bioseguridad y salud pública

Sus antecedentes:

• La identificación in situ y sin etiqueta de polvos patógenos es crucial para la bioseguridad y la respuesta al bioterrorismo.
• La espectroscopia de ruptura inducida por láser (LIBS) y el aprendizaje profundo muestran potencial para el análisis de polvos.
• Los modelos actuales de aprendizaje profundo tienen dificultades para rechazar tipos de muestras desconocidas, lo que limita la confiabilidad en el mundo real.

Objetivo del estudio:

• Desarrollar una técnica novedosa de detección LIBS utilizando aprendizaje profundo de conjunto abierto para la identificación confiable de polvos patógenos.
• Mejorar la capacidad de los modelos de aprendizaje profundo para distinguir entre muestras conocidas y desconocidas en tiempo real.
• Mejorar la precisión y la solidez de los sistemas de detección de patógenos para aplicaciones de bioseguridad.

Principales métodos:

• Se desarrolló un novedoso modelo de aprendizaje profundo de conjunto abierto integrando la estrategia de Reconocimiento de Conjunto Abierto de Clasificación-Reconstrucción (CROSR) con una Red Residual (ResNet).
• Se utilizó LIBS para la adquisición de datos espectrales de polvos patógenos.
• Se evaluó el rendimiento del modelo en un conjunto de prueba que incluía patógenos objetivo conocidos y diversas muestras desconocidas.

Principales resultados:

• El modelo ResNet con CROSR logró una alta precisión de clasificación para clases de patógenos conocidas.
• El modelo demostró una mejora significativa en el rechazo de muestras desconocidas, con una precisión del 86,6% para nueve tipos de sustancias desconocidas.
• En comparación con la estrategia OpenMax, el modelo propuesto mejoró la precisión de identificación del patógeno objetivo en un 11,7% y el rechazo de clases desconocidas en un 11,9%.

Conclusiones:

• La técnica de detección LIBS desarrollada impulsada por el aprendizaje profundo de conjunto abierto ofrece una solución prometedora para la identificación in situ y sin etiqueta de polvos patógenos.
• La estrategia CROSR mejora significativamente la confiabilidad de los modelos de aprendizaje profundo para distinguir patógenos conocidos de materiales desconocidos.
• Este enfoque tiene amplias perspectivas de aplicación para mejorar la bioseguridad y las capacidades de respuesta rápida.