深度学习启用了用于 Point-of-Care 应用的通用多重复合光检测
Aneesh Kshirsagar1, Anthony J Politza2, Weihua Guan1,2
1Department of Electrical Engineering, The Pennsylvania State University, University Park, Pennsylvania 16802, United States.
ACS sensors
|July 16, 2024
概括
本研究介绍了一种具有成本效益的,无镜头的光传感系统,使用机器学习 (ML) 来进行可扩展的多重检测. 这种便携式设备可以同时检测病毒,而无需复杂的光学,非常适合在医院诊断.
科学领域:
- 分析化学 分析化学
- 生物技术是生物技术.
- 机器学习应用 机器学习应用
背景情况:
- 多重光感应至关重要,但由庞大而昂贵的光学系统阻碍.
- 现有的方法需要复杂的频谱分离,限制可移植性和成本效益.
研究的目的:
- 开发一个紧的,没有镜头的,负担得起的光传感系统,用于可扩展的多重检测.
- 使用机器学习实现多重检测而不需要光学调整.
主要方法:
- 使用了低成本的光学元件和预训练的机器学习 (ML) 模型.
- 开发了用于光传感的无透镜设置.
- 通过在不需要硬件更改的情况下更新ML模型来证明可扩展性.
主要成果:
- 成功演示了多重光感应,没有光学调整.
- 通过多重循环介导同热放大 (LAMP) 试验,同时检测了三种呼吸道病毒.
- 验证了系统在现实世界 point-of-care 应用中的潜力.
结论:
- 支持ML的紧型光传感系统为多重检测提供了一种具有成本效益和可扩展的解决方案.
- 这项技术在临床诊断和现场环境中具有广泛应用的巨大潜力.
- 这种方法绕过了昂贵的光学元件的需求,民主化了先进的传感能力.
更多相关视频
13:14Genetic Barcoding with Fluorescent Proteins for Multiplexed Applications
Published on: April 14, 2015
9.3K
07:24Single-Cell Multiplexed Fluorescence Imaging to Visualize Viral Nucleic Acids and Proteins and Monitor HIV, HTLV, HBV, HCV, Zika Virus, and Influenza Infection
Published on: October 29, 2020
2.7K
