基于SERS的呼吸道病毒分类的可解释性驱动深度学习
Hyunju Kang1, Junhyeong Lee2, Soo Hyun Lee3
1Department of Chemistry, Korea Advanced Institute of Science and Technology (KAIST), Daejeon, 34141, Republic of Korea; Bionanotechnology Research Center, Korea Research Institute of Bioscience and Biotechnology (KRIBB), Daejeon, 34141, Republic of Korea.
Biosensors & bioelectronics
|August 21, 2025
概括
一个新的诊断平台使用3D等离子纳米柱和深度学习快速检测多种呼吸道病毒,包括SARS-CoV-2变种,准确度超过98%. 这项技术提供了一个可扩展的,无标签的解决方案,
科学领域:
- 纳米技术
- 生物医学工程
- 机器学习
背景情况:
- 流感,RSV和SARS-CoV-2等呼吸系统病毒对全球健康构成重大风险.
- 准确和快速的变种级别诊断对于管理疫情至关重要.
- 现有的诊断方法可能缺乏速度,准确性或区分特定变体的能力.
研究的目的:
- 为快速检测和分化多种呼吸道病毒开发一个综合诊断平台.
- 利用表面增强的拉曼散射 (SERS) 和3D等离子纳米柱来增强病毒检测.
- 应用可解释性驱动的深度学习来实现准确的病毒分类和模型透明度.
主要方法:
- 开发使用3D等离子纳米柱子的诊断平台,用于增强SERS信号采集.
- 在包括SARS-CoV-2变种在内的13种呼吸道病毒的SERS光谱上训练一维卷积神经网络 (1D-CNN).
- 应用梯度加权类激活映射 (Grad-CAM) 来识别病毒歧视的关键拉曼转移区域.
主要成果:
- 使用1D-CNN模型识别13种呼吸道病毒的分类准确度超过98%.
- 证明了病毒组件的强大和可重复捕获,增强SERS信号的分子指纹.
- 在复杂的临床样本中验证了可靠的性能,证实了实际应用.
结论:
- 开发的平台提供了一个可扩展的,无标签的解决方案,用于快速,准确和变种级别的呼吸系统病毒检测.
- 3D SERS基板和深度学习的整合提高了诊断能力.
- 这项技术有助于在护理场所应用和改善流行病监测.
