具有机器学习的光激活虚拟传感器阵列,用于冠心病的非侵入性诊断

科学领域:

• 材料科学 材料科学 材料科学
• 纳米技术纳米技术
• 生物医学工程 生物医学工程

背景情况:

• 早期非侵入性诊断冠心病 (CHD) 非常重要,但使用呼吸分析具有挑战性.
• 现有的呼吸分析方法缺乏准确检测心血管疾病所需的灵敏度和特异性.
• 需要新的传感器材料和先进的分析技术来克服这些诊断局限性.

研究的目的:

• 通过呼吸分析开发一种高度敏感和选择性的传感器平台,用于通过呼吸分析进行心血管疾病的非侵入性诊断.
• 为了研究黑 (BP) 和MXene (Ti3C2Tx) 异构结构的协同效应,以提高气体传感.
• 将机器学习算法与传感器平台集成,以准确识别与心脏病相关的呼吸生物标志物.

主要方法:

• 使用自组装策略制造黑 (BP) 和MXene (Ti3C2Tx) 的异构复合物.
• 在光调节下开发基于BP/Ti3C2Tx的光激活虚拟传感器阵列 (LAVSA).
• 将LAVSA集成到即时气体传感平台 (IGSP) 中,并应用机器学习 (ML) 算法进行数据分析.

主要成果:

• 与原始的Ti3C2Tx相比,合成的BP/Ti3C2Tx异构结构表现出显著增强的气体灵敏度,反应值高出26%.
• 在LAVSA成功检测和识别了15种不同的气味分子,包括酒精,,化物,和酸.
• 在45名志愿者中,在ML的协助下,IGSP在区分健康个体和患有心脏病的呼吸气味方面取得了69.2%的准确性.

结论:

• 通过呼吸分析成功设计和制造了一种新的,即时的,低成本和准确的原型,用于使用呼吸分析进行非侵入性心脏病诊断.
• 开发的传感器平台展示了BP/MXene异构结构和ML对挥发性有机化合物 (VOC) 敏感检测的潜力.
• 这种方法为诊断其他疾病提供了通用的解决方案,并通过呼吸分析解决了更复杂的应用场景.