编辑 | 萝卜皮
c加州大学的研究人员展示了一种稳健的目标识别方案,该方案利用深度神经网络 (DNN) 对单个粒子和分子生物标志物进行多重检测。
该模型将快速小波粒子检测与短时傅里叶变换分析相结合,然后在 AI 专用边缘设备(Google Coral Dev board)上进行 DNN 识别。
该方法使用流经光流控波导芯片的肺炎克雷伯氏菌细菌核酸的多点光激发进行验证,该芯片产生不同幅度、持续时间和质量的荧光信号。实时的无扩增 3× 多路复用被证明具有出色的特异性、灵敏度和 99.8% 的分类准确度。
该研究以「Machine learning at the edge for AI-enabled multiplexed pathogen detection」为题,于 2023 年 3 月 23 日发布在《Scientific Reports》。
生物分子的检测和鉴定是疾病控制领域诊断设备的重要组成部分。COVID-19 大流行加速了家庭检测在早期检测和重复监测中的应用,预计床旁分析的数量和能力将会扩大。
但是,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,加州大学的研究人员引入了一种新的并行聚类小波分析(PCWA)方法,可以以高精度和速度识别时间序列中的事件,例如来自单个分子的荧光。
然而,由于在分析之前需要针对不同目标调整自定义小波函数,因此多重检测的分析速度和准确性下降,这增加了荧光信号特性的芯片间变化的额外开销。使用机器学习(ML)增强 PCWA 可以解决这个问题,并带来强大的多路诊断。
该团队开发了一个集成了多重检测平台的全栈 AI 辅助框架来检测和识别生物分子。它的功能在用于荧光标记生物分子的多重检测的光流控 MMI 波导设备上得到证明。
该系统通过分析来自耐药性肺炎克雷伯氏菌的代表性质粒的三种组合多色信号进行评估。与传统使用的多重单分子识别技术、移位和乘法 SaM 相比,该 DNN 模型的分类精度具有超过 40% 的 ROC-AUC 指标,同时运行速度足够快以进行实时分类。
「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。」论文的通讯作者 Holger Schmidt 说。
图示:Holger Schmidt 的实验室。
该检测框架实时运行,能够发现 93.8% 的事件,分类准确率为 99.8%。然后选择了一种负担得起的便携式 AI 专用开发板(Google Coral Dev 板)来展示光流控诊断系统与最先进的处理方案的兼容性。此开发板中提供的 Edge-TPU(张量处理单元)是一种协处理器,每秒可执行四万亿次运算 (TOPS),功耗为 500 mW/TOPS。
「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。」 论文的第一作者 Vahid Ganjalizadeh 说,「它使即时护理应用变得可用、可行和便携。」
该研究表明,传统上要求很高的数据处理任务,例如超高分辨率多尺度事件检测和分类,现在可以在更小的设备上完成,并使用仅包含几千个参数的非常高效的神经网络模型。端点近传感器数据分析已被证明在端点云通信上花费的能源和网络负载以及数据隐私和安全问题方面是有益的。
该框架通过利用具有按需推理策略的 AI 特定边缘设备解决了类似的问题。仅当通过 PCWA 事件检测过程在时间轨迹中检测到事件时,高效的神经网络模型才会运行推理。目前,Coral 开发板无法训练模型,需要一台台式电脑进行训练和模型传输步骤。研究人员认为这个限制可以通过硬件和库的未来更新以及通过使用基于云的服务器,来完成这个特定任务来解决。
另一个电流限制是浓度范围的上限;更具体地说,事件必须在时间轴上间隔开。高浓度溶液可以很容易地用缓冲液稀释,但要注意稀释会增加样品体积和测试时间。未来的工作将在灵敏度低至单分子生物标志物的多重检测的背景下解决这个问题。
这种改进的系统将适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。未来,该系统还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,研究人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。
论文链接:https://www.nature.com/articles/s41598-023-31694-6
相关报道:https://techxplore.com/news/2023-05-deep-neural-network-robust-disease.html