RaSizeNet:一个可解释的多模式深度学习模型,集成SERS光谱和惯性微流体大小分布,用于精确检测复杂的病原体
Guanwen Su1, Wenrui Yang1, Guozhao Liu1
1School of Chemical Engineering and Technology, Tianjin University, Tianjin 300072, China.
Journal of hazardous materials
|February 18, 2026
概括
一个新的深度学习模型,RaSizeNet,使用综合光谱和微流体学准确识别细菌. 这一突破提高了复杂样本中的病原体检测,以改善公共卫生.
科学领域:
- 生物技术是生物技术.
- 分析化学 分析化学
- 人工智能的人工智能
背景情况:
- 准确的病原体鉴定对于公共卫生和传染病控制至关重要.
- 在复杂样本中检测无标签,高通量和敏感的细菌仍然是一个挑战.
研究的目的:
- 开发一种可解释的多式联机深度学习模型,用于高精度识别细菌种群.
- 为了整合表面增强的拉曼光谱 (SERS) 和惯性微流体尺寸分布用于细菌检测.
主要方法:
- 合成Fe@PCN-Au混合粒子用于SERS活动和磁性响应.
- 将颗粒嵌入到双区域微流体芯片中,用于细菌丰富,分离和信号增强.
- 开发了一种多模式深度学习模型 (RaSizeNet),使用SERS光谱和微流体数据进行大小引导的跨模式注意力机制.
主要成果:
- 在复杂样本中,RaSizeNet的平均精度为96.22%.
- 性能优于单模式 (SERSNet, 82.23%) 和传统多模式 (MultiNet, 92.81%) 的模型.
- 在各种条件下 (度,流量,介质) 显示出卓越的适应性和稳定性.
结论:
- 开发的RaSizeNet模型为多模式病原体检测提供了一个有前途的框架.
- 微流体-SERS传感与人工智能的整合为实时检测提供了理论和技术支持.
- 这种方法提升了复杂细菌群体的高精度识别.


