用机器学习进行全频谱分析,用于对侧流免疫试验的定量评估:一个平台方法

科学领域:

• 分析化学 分析化学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 侧流免疫试验 (LFIA) 提供了快速的临床诊断,但通常是定性的.
• 需要加强LFIA的半定量分析能力,以提高诊断效用.

研究的目的:

• 开发和验证一个平台技术,将全频谱分析与机器学习相结合,用于对定性LFIA进行半定量评估.
• 为了证明这个框架在传染病之外的各种分析物的适应性.

主要方法:

• 便携式光谱学被用来分析来自SARS-CoV-2快速测试的黄金纳米粒子光学特征,用于241个临床鼻样本.
• 信号处理包括Savitzky-Golay过,标准正常变量转换和主要组件分析以减少维度.
• 机器学习算法,特别是随机森林,用于将光谱数据与定量测量 (PCR Ct值) 相关联.

主要成果:

• 这种T-C差异正常化策略的表现优于T/C比率.
• 主要组件分析减少了光谱数据的维度,同时保持了显著的差异 (97.26%).
• 随机森林在临床相关范围内实现了高性能 (R2 = 0.961,RMSE = 2.235 Ct) 的半定量评估,测量不确定性为±4.2 Ct.

结论:

• 标准LFIA测试包含可通过光谱机器学习集成提取的半定量信息.
• 该平台增强了LFIA的实用性,为人口监测和资源有限的环境提供了有价值的半定量结果.
• 模块化设计允许适应各种分析物,为先进的横流诊断奠定了基础.