Сложные системы для обнаружения биомаркеров — молекул, таких как ДНК или белки, которые указывают на наличие заболевания, — имеют решающее значение для устройств диагностики и мониторинга заболеваний в режиме реального времени.
Хольгер Шмидт, заслуженный профессор электротехники и вычислительной техники Калифорнийского университета в Санта-Крузе, и его группа уже давно занимаются разработкой уникальных, высокочувствительных устройств, называемых оптофлюидическими чипами, для обнаружения биомаркеров.
Аспирант Шмидта Вахид Ганджализадех возглавил работу по использованию машинного обучения для усовершенствования их систем путем улучшения их способности точно классифицировать биомаркеры. Разработанная им глубокая нейронная сеть классифицирует сигналы частиц с 99,8-процентной точностью в режиме реального времени на относительно дешевой и портативной системе для применения в пунктах медицинской помощи, как показано в новой статье в журнале Scientific Reports.
При использовании детекторов биомаркеров в полевых условиях или в местах оказания медицинской помощи, например, в поликлинике, сигналы, получаемые датчиками, могут быть не столь качественными, как в лаборатории или контролируемой среде. Это может быть связано с различными факторами, такими как необходимость использования более дешевых чипов для снижения стоимости, или с характеристиками окружающей среды, такими как температура и влажность.
Для решения проблемы слабого сигнала Шмидт и его команда разработали глубокую нейронную сеть, которая может с высокой степенью достоверности определить источник слабого сигнала. Исследователи обучали нейронную сеть с помощью известных обучающих сигналов, обучая ее распознавать возможные вариации, которые она может увидеть, чтобы она могла распознавать паттерны и идентифицировать новые сигналы с очень высокой точностью.
Сначала параллельный кластерный вейвлет-анализ (PCWA), разработанный в лаборатории Шмидта, определяет наличие сигнала. Затем нейронная сеть обрабатывает потенциально слабый или шумный сигнал, определяя его источник. Эта система работает в режиме реального времени, поэтому пользователи могут получить результаты за доли секунды.
«Все дело в том, чтобы максимально использовать сигналы возможно низкого качества и делать это очень быстро и эффективно», — сказал Шмидт.
Уменьшенная версия нейросетевой модели может работать на портативных устройствах. В статье исследователи запустили систему на плате Google Coral Dev, относительно дешевом устройстве для ускоренного выполнения алгоритмов искусственного интеллекта. Это означает, что система также требует меньше энергии для выполнения обработки по сравнению с другими методами.
«В отличие от некоторых исследований, которые требуют работы на суперкомпьютерах для высокоточного обнаружения, мы доказали, что даже компактное, портативное, относительно дешевое устройство может сделать эту работу за нас», — сказал Ганджализадех. «Это делает его доступным, осуществимым и портативным для применения в пунктах оказания медицинской помощи».
Вся система разработана для использования полностью локально, то есть обработка данных может происходить без доступа к Интернету, в отличие от других систем, которые полагаются на облачные вычисления. Это также обеспечивает преимущество в безопасности данных, поскольку результаты могут быть получены без необходимости делиться данными с поставщиком облачных серверов.