使用机器学习和光学显微镜在等离子体基板上制造的免疫传感器的图像分析:用于检测SARS-CoV-2病毒的应用
Pedro R A Oiticica1,2, Monara K S C Angelim3, Juliana C Soares1
1São Carlos Institute of Physics (IFSC), University of São Paulo (USP), São Carlos, SP 13566-590, Brazil.
ACS sensors
|February 17, 2025
概括
一个新的诊断平台使用光学显微镜和机器学习来检测SARS-CoV-2 (严重急性呼吸系统综合征冠状病毒2) 在非常低的度. 这种先进的系统实现了高准确度,可能使得感染患者的早期查成为可能.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习应用 机器学习应用
- 传染病诊断 传染病诊断 传染病诊断
背景情况:
- 目前的SARS-CoV-2检测方法在灵敏度和速度方面存在局限性.
- 血免疫传感器为高灵敏度生物传感提供了潜力.
- 机器学习可以增强用于生物检测的图像分析.
研究的目的:
- 开发和验证用于敏感SARS-CoV-2检测的诊断平台.
- 整合光学显微镜图像分析与机器学习算法.
- 与现有方法相比,评估平台的性能.
主要方法:
- 使用光学显微镜图像分析系统与机器学习 (ML) 相结合.
- 使用支持向量机 (SVM) 和MobileNetV3_小型卷积神经网络 (CNN) 模型进行图像分类.
- 来自免疫传感器在等离子体基板上的处理图像,用于检测SARS-CoV-2.
主要成果:
- 在低至1个形成斑块的单位 (PFU) /mL的度下检测到SARS-CoV-2.
- 移动网络V3_小CNN模型获得了91.6%的准确率和96.9%的F1负类得分.
- 证明检测极限比局部表面等离子体共振 (LSPR) 传感低1000倍.
- 对于SARS-CoV-2,二进制分类的准确度达到了96.5%,低至1 PFU/mL.
结论:
- 开发的平台在检测低SARS-CoV-2度方面表现出高效.
- 机器学习与图像分析相结合,显著提高了生物传感器的性能.
- 这种方法对新感染患者的直接查充满了希望.
