研究团队称AI深度神经网络可实时可靠地检测疾病生物标志物

一个实验室开发了一种深度神经网络,可以提高其用于检测病原体生物标志物的独特设备的准确性。

加州大学圣克鲁斯分校电气和计算机工程杰出教授 Holger Schmidt 和他的团队长期以来一直专注于开发称为光流控芯片的独特、高度敏感的设备来检测生物标志物。

Schmidt 的研究生 Vahid Ganjalizadeh 领导了一项使用机器学习的努力,通过提高其准确分类生物标志物的能力来增强他们的系统。他开发的深度神经网络以 99.8% 的实时准确率对粒子信号进行分类,该系统在一个相对便宜且便携的即时护理应用系统上,如《自然科学报告》(Nature Scientific Reports) 的一篇新论文所示。

当将生物标志物检测器带入现场或医疗诊所等护理点时,传感器接收到的信号质量可能不如实验室或受控环境中的信号质量高。这可能是由于多种因素造成的,例如需要使用更便宜的芯片来降低成本,或者温度和湿度等环境特征。

为了应对微弱信号带来的挑战,施密特和他的团队开发了一种深度神经网络,可以高度自信地识别微弱信号的来源。研究人员用已知的训练信号训练神经网络,教它识别它能看到的潜在变化,这样它就能以非常高的准确度识别模式和识别新信号。

首先,Schmidt 实验室设计的并行簇小波分析 (PCWA) 方法检测是否存在信号。然后,神经网络处理潜在的微弱或嘈杂信号,识别其来源。该系统实时工作,因此用户能够在几分之一秒内收到结果。

“这一切都是为了充分利用可能的低质量信号,并真正快速有效地做到这一点,”施密特说。

较小版本的神经网络模型可以在便携式设备上运行。在这篇论文中,研究人员在 Google Coral Dev board 上运行该系统,这是一种相对便宜的边缘设备,用于加速人工智能算法的执行。这意味着与其他技术相比,该系统还需要更少的功率来执行处理。

“与一些需要在超级计算机上运行以进行高精度检测的研究不同,我们证明即使是紧凑、便携、相对便宜的设备也可以为我们完成这项工作,”Ganjalizadeh 说。“它使即时护理应用变得可用、可行和便携。”

整个系统被设计为完全在本地使用,这意味着数据处理可以在没有互联网访问的情况下进行,这与依赖云计算的其他系统不同。这也提供了数据安全优势,因为无需与云服务器提供商共享数据即可生成结果。

它还旨在能够在移动设备上给出结果,从而无需将笔记本电脑带到现场。

“你可以建立一个更强大的系统,你可以把它带到资源贫乏或欠发达的地区,而且它仍然有效,”施密特说。

这种改进的系统将适用于施密特实验室的系统过去用于检测的任何其他生物标志物,例如 COVID-19、埃博拉病毒、流感和癌症生物标志物。尽管他们目前专注于医疗应用,但该系统有可能适用于检测任何类型的信号。

为了进一步推动这项技术,施密特和他的实验室成员计划在他们的设备中增加更多的动态信号处理能力。这将简化系统并结合检测低浓度和高浓度分子信号所需的处理技术。该团队还致力于将设置的分立部分引入光流控芯片的集成设计中。

© 版权声明
THE END
喜欢就支持一下吧
点赞11 分享
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片

    暂无评论内容