切片推理辅助轻量级小物体检测模型用于全息数字免疫试验量化
Minjie Han1,2, Junpeng Zhao2, Weiqi Zhao2
1State Key Laboratory of Marine Food Processing and Safety Control, Dalian Polytechnic University, Dalian 116034, Liaoning, China.
Analytical chemistry
|June 20, 2025
概括
一个具有轻量级深度学习模型 (SIALSO) 的全新全息生物传感器提供了灵敏,具有成本效益的食品中氨基醇检测. 这种便携式设备提高了准确性,并减少了食品安全应用的计算负载.
科学领域:
- 生物感应是一种生物感应.
- 深度学习 (Deep Learning) 是一种深度学习.
- 全息影像成像全息影像成像
背景情况:
- 便携式,具有成本效益的检测对于食品安全,环境监测和临床诊断至关重要.
- 像ELISA这样的现有方法对某些分析物的灵敏度和检测范围可能受到限制.
研究的目的:
- 开发一种便携式,灵敏且具有成本效益的全息生物传感器,用于在食品样本中定量氨基醇.
- 整合一个切片推理辅助轻量级小物体检测模型 (SIALSO),以提高检测准确性和效率.
主要方法:
- 无镜头全息成像系统与轻量级深度学习模型 (SIALSO) 相结合.
- SIALSO模型利用切片推理来改善小物体检测并减少计算复杂性.
- 数字免疫试验用于用微球探测器量化氨基醇.
主要成果:
- SIALSO生物传感器显示线性检测范围为50 pg/mL到100 ng/mL (R2 = 0.986).
- 与ELISA相比,实现了更高的灵敏度和更广泛的检测范围.
- SIALSO模型将计算参数减少了29%,与YOLOv5s相比,精度为98.2%,回忆率为95.7%.
结论:
- SIALSO全息生物传感器为敏感和高效的食品安全分析提供了一个强大的平台.
- 这项技术为开发各种监控应用的先进便携式检测设备奠定了基础.
- 全息成像和深度学习的整合为数字免疫测试提供了一个有前途的方法.
