使用黑色素纳米粒子和深度学习进行CA19-9的智能手机兼容色度检测

科学领域:

• 生物材料科学
• 纳米技术
• 机器学习

背景情况:

• 基于纸质的色度生物传感器提供低成本的诊断, 但面临环境和解释的挑战.
• 传统的金属纳米材料引发了生态问题,视觉解释可能是主观的.

研究的目的:

• 开发一个环境可持续和分析强大的色度测量平台.
• 整合自然衍生的黑色素纳米粒子 (MNP) 与机器学习用于生物标志物检测.

主要方法:

• 用于检测CA19-9生物标记的纸质生物传感器的黑色素纳米粒子 (MNP).
• 使用机器学习进行自动化图像分析,包括U-Net进行区域细分和XGBoost进行回归.
• 在目标结合时由MNP诱导的量化度依赖的颜色从黄色转变为棕色.

主要成果:

• 该U-Net模型实现了高细分精度 (IoU:0.9025±0.0392).
• 在低分析剂度下,XGBoost回归模型显示出强大的预测准确性 (MAPE:17%).
• 该平台提供了准确,可重现和客观的色度信号量化.

结论:

• 这种方法为医疗诊断提供了可持续和可扩展的替代方案.
• 黑色素纳米粒子与机器学习相结合, 克服了传统生物传感器的局限性.
• 开发的平台提高了色度定量化的客观性和可靠性.