时间PAD――通过深度学习揭示时间序列ELISA信号,以快速读取和提高微流体基于纸张的分析平台的精度

科学领域:

• 生物医学工程 生物医学工程
• 分析化学 分析化学
• 人工智能的人工智能

背景情况:

• 基于纸张的微流体和深度学习的整合增强了诊断能力.
• 使用深度学习的传统酶相关免疫吸收试验 (ELISA) 分析依赖于静态的终点数据,限制了灵敏度和特异性.
• 随着时间的推移,动态反应变化在传统的单一快照分析中错过了.

研究的目的:

• 通过分析时间色度测量数据,开发一种新的方法来提高纸质微流体ELISA性能.
• 通过动态分析来减少诊断周转时间并提高准确性.
• 为了证明时间序列分析在临床诊断应用中的有效性.

主要方法:

• 开发一种时间序列增强的纸质分析装置 (TimePAD),以捕获ELISA反应的连续视频数据.
• 使用YOLOv8深度学习算法来分析时间序列色度数据.
• 使用子IgG进行ELISA检测的验证,并随后应用于心脏素I (cTnI) 检测.

主要成果:

• 实现了子IgG检测的交付时间减少33%,在20分钟时获得94.1%的准确性,与使用传统方法的30分钟准确度为93.5%相比.
• 在10分钟内检测cTnI的高精度 (98.1%),超过传统方法 (25分钟的精度为97.8%).
• 时间PAD提高了诊断效率,对于时间敏感的临床检测非常有价值.

结论:

• 使用深度学习分析时间色度数据显著提高了基于纸张的微流体ELISA的性能.
• 时间PAD方法提供了加速结果解释和增强的诊断准确性.
• 这种方法在各种医疗应用中具有快速和灵敏的临床诊断的巨大潜力.