一次性,无受体,快速检测和分类五个呼吸道病毒的机器学习集成SERS传感平台的机器学习

科学领域:

• 纳米技术和材料科学 材料科学
• 生物技术和生物传感技术
• 医疗保健中的机器学习

背景情况:

• 快速准确地检测呼吸道病毒对于有效的公共卫生管理至关重要.
• 现有的诊断方法可能耗时或需要专门的实验室设备.
• 对多种呼吸道病原体需要一个敏感,特定和快速的诊断平台.

研究的目的:

• 开发一个集成机器学习的表面增强拉曼光谱 (SERS) 平台,用于一次性,无受体检测和分类五种呼吸道病毒.
• 使用银纳米雕塑薄膜 (nSTF) 通过视角沉积 (GLAD) 制造一个高度敏感的SERS传感器.
• 评估各种机器学习算法的性能,以对病毒样本的复杂SERS光谱进行分类.

主要方法:

• 使用GLAD技术制造Ag nSTF SERS传感器,增强因子为~10^11.
• 从病毒传输介质 (VTM) 中的临床鼻和/或鼻样本 (CNS) 中收集SERS光谱.
• 机器学习算法 (RF,SVM,LR,KNN,MLP) 在SERS光谱数据上进行病毒分类的培训和验证.

主要成果:

• 多层感知器 (MLP) 算法在分类SERS频谱方面表现出卓越的性能.
• MLP实现了5倍的验证准确率97.61%±0.30%,测试准确率97.47%,灵敏度97%,精度97%和特异性99%.
• 集成的SERS传感器与ML实现了11分钟的快速响应时间.

结论:

• 开发的机器学习集成SERS平台能够快速,准确,同时检测和分类多种呼吸道病毒.
• 无受体,单次射击传感方法为临床诊断提供了重大进展.
• 这项技术有望在临床环境中实际实施,加速诊断和改善呼吸道病毒感染患者管理.