Aprendizaje automático en el borde de la IA | Grupo de accesorios de latón Wuxi

Scientific Reports volumen 13, número de artículo: 4744 (2023) Citar este artículo

2069 Accesos

1 Citas

110 altmétrico

Detalles de métricas

La detección multiplexada de biomarcadores en tiempo real es crucial para un diagnóstico sensible y preciso en el punto de uso. Este escenario plantea enormes desafíos para la detección e identificación de señales de diferente forma y calidad en el borde del límite señal-ruido. Aquí, demostramos un esquema robusto de identificación de objetivos que utiliza una red neuronal profunda (DNN) para la detección múltiple de partículas individuales y biomarcadores moleculares. El modelo combina la detección rápida de partículas wavelet con el análisis de transformada de Fourier de corto tiempo, seguido de la identificación DNN en un dispositivo de borde específico de IA (placa de desarrollo Google Coral). El enfoque se valida mediante excitación óptica multipunto de ácidos nucleicos bacterianos de Klebsiella Pneumoniae que fluyen a través de un chip de guía de ondas optofluídica que produce señales de fluorescencia de amplitud, duración y calidad variables. La multiplexación 3× sin amplificación en tiempo real se demuestra con una excelente especificidad, sensibilidad y una precisión de clasificación del 99,8 %. Estos resultados muestran que un diseño DNN minimalista optimizado para dispositivos móviles proporciona un marco sólido para la detección precisa de patógenos utilizando dispositivos de diagnóstico compactos y de bajo costo.

La detección e identificación de biomoléculas son partes esenciales de los dispositivos de diagnóstico en el ámbito del control de enfermedades. La pandemia de COVID-19 ha acelerado el uso de pruebas caseras para la detección temprana y el seguimiento repetido, y se puede esperar que el análisis en el punto de atención aumente en volumen y capacidades. Algunos de los desafíos aquí son la preparación de muestras y el manejo de fluidos, la sensibilidad y especificidad, la adquisición y el procesamiento de datos, la portabilidad y la conectividad1,2. Diversas micro y nanotecnologías han dado como resultado sensores aplicables al diagnóstico molecular en chips. Por ejemplo, se introdujo un biosensor complementario basado en un semiconductor de óxido metálico (CMOS) que utiliza un diseño de puente de membrana nanomecánico3 para medir la concentración de un fármaco fenitoína en una muestra líquida con un enfoque microelectromecánico (MEMS). Los dispositivos analíticos en papel (PAD) son otro buen ejemplo de diagnóstico en el lugar de atención. Han evolucionado durante la última década debido a propiedades como el bajo costo, la biocompatibilidad, el diseño y uso simples y la flexibilidad en la búsqueda de unidades de prueba desechables asequibles4,5,6. Si bien el análisis de muestras se puede realizar en unos pocos minutos, estos dispositivos tienen un límite de detección relativamente alto (LOD > µM), lo que exige tiempo de amplificación y cultivo (generalmente varias horas) para análisis de ácidos nucleicos altamente sensibles. Entre las técnicas basadas en amplificación, la reacción en cadena de la polimerasa cuantitativa (qPCR) sigue siendo el método estándar de oro en la mayoría de los instrumentos de prueba de laboratorio debido a su muy alta sensibilidad (~ 100 copias/mL) y versatilidad7,8,9. En la última década se ha vuelto más popular una técnica más nueva de tubo único con un proceso de amplificación simple y relativamente económico llamado amplificación isotérmica mediada por bucle (LAMP). En algunas aplicaciones puede ser deseable una mayor simplificación del ensayo basada en la eliminación de los pasos de amplificación y la integración a escala de chip. En el régimen de sensibilidad de una sola molécula, los dispositivos de nanoporos como biosensores eléctricos se han mostrado prometedores como herramientas de diagnóstico de sensibilidad ultraalta sin etiquetas ni amplificación12,13. La sensibilidad de detección de una sola molécula basada en fluorescencia se demostró en dispositivos de guía de ondas optofluídicos, lo que permitió la detección sin amplificación de ARN del virus del Ébola (EBOV) con límites de detección (LoD) bajos de hasta 90 aM14,15. El análisis multiplex se implementó en estos sensores optofluídicos ARROW de una sola molécula mediante la creación de patrones de excitación multipunto espectral y/o espacialmente dependientes en la salida de guías de ondas de interferencia multimodo (MMI)16,17. El patrón espacial de puntos múltiples se traduce en una señal temporal de múltiples picos (ver Fig. 1c) que puede identificarse fácilmente mediante algoritmos de procesamiento de señales que reconocen la diferencia de tiempo característica ∆t entre picos de fluorescencia de un solo objetivo. Se ha demostrado una detección multiplexada de hasta 7 veces de ácidos nucleicos mediante la traducción espectral, espacial y dependiente de la velocidad del patrón de excitación en señales de fluorescencia de picos múltiples dependientes del tiempo17,18. El uso de señales deliberadamente modeladas también se ha utilizado en otros contextos. Por ejemplo, se implementó una codificación de señales similar a la de las telecomunicaciones en la citometría celular mediante detección de pulsos resistivos eléctricos en los que el patrón de eventos generados por el flujo de células depende de la disposición de los electrodos y decodifica señales digitales de diferentes canales con una precisión muy alta19,20. 21. Se estudió un biosensor eléctrico con electrodos de múltiples dedos para demostrar el efecto del aumento del recuento de electrodos en la relación señal-ruido (SNR) de impedancia22,23,24,25. La codificación de señales en aplicaciones de biodetección puede aprovechar técnicas de codificación de información más complicadas, como la multiplexación, la corrección de errores y la identificación23,26,27 con una tendencia reciente hacia técnicas de aprendizaje automático28. Optimizar el método de análisis de señal elegido es de vital importancia ya que las imperfecciones de los dispositivos del mundo real tienden a comprometer la calidad de la señal y, por lo tanto, la confiabilidad del análisis de la señal. En el caso de un dispositivo de guía de ondas MMI optofluídico, estos pueden incluir variaciones inducidas por la fabricación en los patrones de excitación de MMI, variaciones de velocidad debido a la dinámica fluídica de objetivos que fluyen y variaciones de la relación señal-ruido causadas por un rango de intensidades de señales de fluorescencia. Estos tipos de no idealidades se suman a las limitaciones de calidad de la señal que enfrentan los dispositivos de punto de atención, donde los componentes deben producirse a bajo costo y los factores ambientales a menudo afectan la calidad de la señal. Estos desafíos intrínsecos pueden aliviarse mediante un potente enfoque de análisis de señales que pueda funcionar en tiempo real.

Configuración experimental y preparación de conjuntos de datos. (a) Las señales de fluorescencia se recopilan de bacterias Klebsiella Pneumoniae marcadas capturadas en microperlas mediante un ensayo sándwich específico del objetivo. El recuadro muestra el diseño tipo sándwich de las sondas de fluorescencia, que consta de tintes verdes y rojos. La muestra se prepara fuera del chip y fluye hacia el chip ARROW mediante un flujo impulsado por presión negativa. El patrón de interferencia multimodo (MMI) formado en la intersección del canal de analito MMI WG depende de la longitud de onda y define las firmas de diferentes señales. El experimento se realiza en tres pasos dependiendo de si las cuentas son excitadas por el láser rojo, el láser verde o ambos colores. Se utilizan combinaciones de contraventanas mecánicas (MS1 y MS2) para crear las tres etapas mencionadas. Las señales de fluorescencia se recogen fuera del chip a través de un filtro pentabanda (PBPF) para eliminar los fotones de excitación. Luego, los fotones emitidos se detectan y registran en una PC mediante un módulo de conteo de un solo fotón. (b) El programa PCWA analiza el seguimiento de datos registrados (señal de entrenamiento) para detectar eventos. Los eventos se recortan y guardan para la preparación del conjunto de datos. Las ubicaciones de los eventos detectados se muestran con marcadores azules. La detección y el recorte de eventos se realizan automáticamente. c Eventos de ejemplo de tres grupos de eventos.

Recientemente, hemos introducido un nuevo enfoque de análisis de ondas de racimos paralelos (PCWA) que puede identificar eventos en una serie temporal, como la fluorescencia de moléculas individuales, con alta precisión y velocidad29. Sin embargo, la velocidad del análisis y la precisión disminuyen para la detección multiplexada debido a la necesidad de ajustar las funciones wavelet personalizadas para diferentes objetivos antes del análisis, lo que agrega una sobrecarga adicional a la variación de chip a chip de las características de la señal de fluorescencia. Aumentar PCWA con aprendizaje automático (ML) puede resolver este problema y conducir a diagnósticos multiplexados y sólidos.

Las ideas y teorías del aprendizaje automático y la inteligencia artificial (IA) han existido durante muchas décadas, si no un siglo, con el modelo de neuronas no lineales formando una red a mediados de la década de 199030 y se convirtió en una herramienta funcional en el reconocimiento de patrones con mejores teorías de aprendizaje. desarrollado a finales de los años 199031,32,33. Aunque el concepto de aprendizaje automático no es nuevo, el campo se ha disparado en las últimas dos décadas, cuando se hizo posible la computación de alto rendimiento a gran escala para manejar cantidades cada vez mayores de datos. La IA se ha convertido en parte de nuestra vida diaria y se utiliza en numerosas áreas, incluida la agricultura, los estudios medioambientales, los vehículos autónomos, la economía, el marketing, el desarrollo de fármacos, el entretenimiento y el diagnóstico médico34,35,36,37,38,39,40. 41,42,43. En el diagnóstico biomédico, se han desarrollado métodos asistidos por inteligencia artificial en diferentes niveles, desde datos de población a gran escala hasta análisis de datos sensoriales, lo que subraya las ventajas del novedoso aprendizaje automático sobre las técnicas clásicas44,45,46.

Aquí, presentamos un marco completo asistido por IA integrado con una plataforma de detección multiplexada para detectar e identificar biomoléculas. Sus capacidades se demuestran en un dispositivo de guía de ondas MMI optofluídico para la detección multiplexada de biomoléculas marcadas con fluorescencia16. El sistema se evalúa mediante el análisis de tres señales combinatorias multicolores de plásmidos representativos de la bacteria Klebsiella Pneumoniae resistente a los medicamentos. En comparación con las técnicas utilizadas anteriormente, se observa una excelente recuperación y precisión. Al ejecutarse en tiempo real, el marco de detección pudo descubrir el 93,8 % de los eventos, con una precisión de clasificación del 99,8 %. Luego se seleccionó una placa de desarrollo específica de IA portátil y asequible (placa Google Coral Dev) para mostrar la compatibilidad del sistema de diagnóstico optofluídico con los esquemas de procesamiento de última generación47. El Edge-TPU (unidad de procesamiento tensorial) disponible en esta placa de desarrollo es un coprocesador capaz de realizar cuatro teraoperaciones por segundo (TOPS) con un consumo de energía de 500 mW/TOPS48. Finalmente, evaluamos el rendimiento del tiempo y la capacidad de análisis de muestras en tiempo real del marco. Este sistema abrirá nuevas vías para dispositivos ultrarrápidos en el punto de atención para diagnóstico y otras aplicaciones.

Nuestro marco se puede aplicar a cualquier señal de serie temporal que presente diferentes tipos de compás para diferentes objetivos. Lo presentamos utilizando un ensayo de detección de fluorescencia para biomarcadores de ácido nucleico de la bacteria Klebsiella Pneumoniae. Un ensayo de diseño sándwich une las cadenas de ADN objetivo a una secuencia desplegable en una microperla recubierta de estreptavidina, después de lo cual se marcan con sondas fluorescentes en dos colores (Fig. 1a). Por lo tanto, el ensayo es sensible a las longitudes de onda de excitación roja y verde, lo que permite tres posibles señales de fluorescencia (solo rojo, solo verde y rojo + verde), dependiendo de las longitudes de onda de excitación utilizadas. Los objetivos fluyen y se detectan en un optofluídico basado en ARROW, como se muestra en la Fig. 1a. La sensibilidad (límite de detección) de este ensayo de fluorescencia optofluídica basada en flujo es 90 aM15. Dos láseres que funcionan a 738 nm y 556 nm están acoplados en una fibra óptica monomodo, y se colocan dos obturadores mecánicos, MS1 y MS2, en las trayectorias de luz para activar y desactivar los colores de forma independiente. El experimento se realiza en tres etapas, la primera con solo 738 nm de excitación (MS1 = Abierto, MS2 = Cerrado), la segunda con solo 556 nm (MS1 = Cerrado, MS2 = Abierto) y la tercera con excitaciones activas de 738 nm y 556 nm. simultáneamente (MS1 = Abierto, MS2 = Abierto). La muestra que contiene los objetivos fluorescentes se introduce en el chip aplicando presión negativa a uno de los depósitos y luego introduciendo la muestra en el otro depósito utilizando una pipeta. El rastro del tiempo de fluorescencia registrado desde el chip se almacena en una computadora de escritorio (Fig. 1b). La guía de ondas de excitación de interferencia multimodo produce diferentes patrones de puntos para las dos longitudes de onda en el canal fluídico que se cruza con el número de puntos N determinado por la ecuación. (1)

donde λ es la longitud de onda de entrada respectiva, w es el ancho efectivo de la guía de ondas, nC es el índice de refracción nC y L es la longitud de la guía de ondas MMI49. Estos patrones de excitación espacial se transforman en el dominio del tiempo a medida que las partículas fluyen a través del canal a una velocidad y fluorescencia determinadas. Los eventos de la primera etapa tienen seis picos, los eventos de la segunda etapa tienen ocho picos y los eventos de la tercera etapa contienen 6 y 8 picos. Nombramos estos eventos dividiendo la palabra KPneu en dos partes (KPn para seis picos y eu para ocho picos) para representar qué sonda se ha excitado en el evento detectado y usará estas etiquetas a lo largo del artículo. Este enfoque crea efectivamente un ensayo múltiplex 3× con tres formas de señal distintas correspondientes a las selecciones de longitud de onda de excitación. La Figura 1c muestra eventos de ejemplo para cada etapa que ilustran los diferentes patrones de fluorescencia y las no idealidades presentes en esta configuración. Estos incluyen una señal de fondo finita, variaciones de amplitud de pico a pico debido a imperfecciones de fabricación y diferentes espacios de pico a pico Δt debido a variaciones de velocidad debido a las fluctuaciones de presión y la posición en el canal. Se observa un coeficiente de variación del 44,85% en la distribución de velocidades de 1544 partículas detectadas. Minimizar estas no idealidades requeriría aumentar el costo de producción para aumentar la precisión de los procesos de microfabricación. Algunas no idealidades, como las variaciones de la velocidad del flujo de fluido en la sección transversal, se deben simplemente a la naturaleza de los canales de microfluidos que se utilizan. Los dispositivos de punto de atención, que deben ser compactos y de bajo costo, siempre deben abordar las imperfecciones de la señal. Por lo tanto, una estrategia natural es adaptarse a estas imperfecciones empleando el aprendizaje automático para reconocer el patrón de señal de un dispositivo determinado y detectar e identificar eventos de fluorescencia con buena sensibilidad y precisión.

El primer paso en nuestro proceso de reconocimiento de señales es detectar eventos de la señal de fluorescencia registrada utilizando una técnica rápida basada en ondas continuas de múltiples escalas llamada PCWA29 con funciones de base gaussiana de múltiples puntos (MSG) para hacer coincidir las señales características de los eventos en cada etapa (consulte la figura complementaria S1a). Después de localizar eventos en el seguimiento temporal, se utiliza una colección de ventanas recortadas que comprenden 1024 puntos de datos centrados en la ubicación temporal de un evento individual para crear el conjunto de datos para el análisis y clasificación de redes neuronales. Los eventos falsos identificados o superpuestos se eliminan del conjunto de datos mediante una verificación de calidad de la señal de múltiples factores para mejorar el entrenamiento del modelo de red neuronal (consulte la Figura complementaria S2). Toda la detección, recorte, filtrado y anotación de eventos está automatizada y no requiere la participación del usuario.

Los componentes principales de la red neuronal profunda se muestran en la (Fig. 2a, derecha). Los eventos de fluorescencia con firmas temporales que representan el patrón MMI exhiben características de tiempo-frecuencia únicas para cada clase de eventos que también dependen de la velocidad de las partículas que fluyen. Por lo tanto, aprovechamos una transformada de Fourier de corto tiempo (STFT), que se ha utilizado en datos de voz, EEG y ECG para extraer características de tiempo-frecuencia50,51,52,53. La señal de entrada se transforma primero en una imagen de 128 × 128 píxeles que expresa la magnitud del STFT del evento (Fig. 2a, izquierda). Se diseña, construye y prueba un modelo DNN desde cero para esta aplicación con el objetivo de lograr una complejidad mínima y una alta compatibilidad con la plataforma de borde de inferencia de destino. Primero, la imagen de entrada se reduce a una imagen de 64 × 64 píxeles. Se implementan dos capas convolucionales en cascada para extraer un conjunto de características. Finalmente, se utiliza una capa densa con una función de activación softmax para clasificar las imágenes de entrada en tres clases de salida correspondientes a fluorescencia roja, verde y rojo-verde. El modelo contiene solo 6454 parámetros (6436 entrenables), lo que es un orden de magnitud inferior a los modelos populares de clasificación de imágenes54. El modelo es un pequeño modelo específico de aplicación adaptado del modelo LeNet CNN, que se utilizó para reconocer dígitos escritos a mano55. El modelo DNN se entrena utilizando una técnica de aprendizaje supervisado mediante un conjunto de datos de espectrogramas calculados para eventos detectados a partir del seguimiento del tiempo de entrenamiento (ver Fig. 2c). Dado que el etiquetado se puede realizar fácil y automáticamente en función de los estados "encendido" y "apagado" de los láseres, el aprendizaje supervisado fue la técnica de aprendizaje más adecuada en este caso.

Red neuronal profunda y conjunto de datos. (a) El modelo DNN consta de dos capas conv2d seguidas de un max_pooling2d y una normalización por lotes en el medio. Una capa clasificadora (densa) asigna características extraídas de capas anteriores a las clases de salida. El gráfico de la izquierda muestra cómo la señal de entrada se convierte primero en un espectrograma de 128 × 128 píxeles utilizando STFT. (b) El progreso del entrenamiento con métricas de precisión y pérdida evoluciona a lo largo de 100 épocas. El entrenamiento se detiene en la época número 100 para evitar un sobreajuste. Después de 90 épocas, el valor de la pérdida se mantiene por debajo de 0,1. c Ejemplos de eventos del conjunto de datos de entrenamiento. Los espectrogramas y los eventos de tiempo recortados correspondientes se muestran juntos, pero solo los espectrogramas y las etiquetas de los eventos se envían al modelo DNN durante el entrenamiento.

El entrenamiento se realizó minimizando la función categórica de pérdida de entropía cruzada L, definida por la ecuación. (2). Para minimizar la pérdida, se aplicó un método de descenso de gradiente estocástico (SGD) utilizando el optimizador Adam56 con los parámetros de aprendizaje predeterminados (tasa de aprendizaje = 0,001, β1 = 0,9, β2 = 0,999, ε = 10−7) establecidos por TensorFlow.

donde pi,c es el valor de probabilidad de la clase c, para la muestra i, devuelto por una capa softmax del clasificador. yi,c es la etiqueta verdadera (única) de cada clase para la muestra i, y N = 90 es el tamaño del minibatch utilizado durante el entrenamiento. La función softmax está definida por la ecuación. (3):

Después de 90 épocas, el valor de pérdida cae por debajo de 0,1 y nos detuvimos en 100 épocas para evitar el sobreajuste (Fig. 2b). Descubrimos que un volumen de muestra de ~ 250 nL (concentración aproximada de 106 cuentas/mL) contiene suficientes eventos (~ 300 eventos/clase) para entrenar el modelo y todo el paso de entrenamiento toma menos de 15 minutos en una sola máquina de escritorio.

Se selecciona una Google Coral Dev Board57 como hardware acelerador de IA para el sistema. Incorpora un chip de unidad de procesamiento tensor (Edge-TPU) de sistema en módulo (SoM) junto con una microcomputadora basada en ARM con factor de forma Raspberry Pi y módulos de conectividad esenciales58. Actualmente, este dispositivo se limita únicamente a la inferencia, lo que significa que el paso de capacitación debe realizarse en otras plataformas (es decir, escritorio, nube). El modelo está implementado en TensorFlow59, que tiene la mejor compatibilidad con la placa Coral. El modelo DNN entrenado (2D-DNN) en una computadora de escritorio (coma flotante 32) se convierte en un modelo entero cuantificado de 8 bits compatible con Edge-TPU (2D-DNN-EdgeTPU) mediante un procedimiento de aprendizaje por transferencia60. Un conjunto de datos de prueba de un experimento de prueba se crea de la misma manera que el conjunto de datos de entrenamiento para garantizar que ninguno de los clasificadores haya estado expuesto a eventos de prueba. La evaluación del rendimiento (Fig. 3a) muestra la curva característica operativa (ROC) del receptor para el 2D-DNN, así como el clasificador utilizado convencionalmente para la detección de fluorescencia multiplexada, desplazamiento y multiplicación (SaM). La curva ROC visualiza las tasas de verdaderos positivos y falsos positivos, es decir, la sensibilidad y la especificidad, para un umbral de selección determinado. El modelo 2D-DNN supera a SaM con un área bajo la curva casi perfecta (AUC ≅ 1) y solo unos pocos eventos identificados falsos visualizados en las matrices de confusión (Fig. 3b). Esto demuestra que nuestro enfoque es capaz de encontrar y clasificar correctamente señales de fluorescencia de partículas individuales. Este es el primer resultado principal de este artículo.

Comparación de rendimiento. (a) Gráfico ROC para los clasificadores estudiados. El modelo DNN, en una PC (2D-DNN) o Coral (2D-DNN-EdgeTPU), supera al clasificador no supervisado utilizado anteriormente, SaM. (b) Las matrices de confusión para diferentes clasificadores resaltan solo 3 y 4 eventos mal clasificados para los modelos 2D-DNN y 2D-DNN-EdgeTPU, respectivamente. SaM no clasifica los eventos eu y KPneu debido a sus características de baja señal-ruido (SNR). (c) La reducción de dimensionalidad aplicada a las entradas y salidas de diferentes clasificadores se realiza utilizando PCA y t-SNE. Los datos de entrada no logran formar grupos en los métodos lineales (PCA) y no lineales (t-SNE). SaM, utilizado convencionalmente para la clasificación de eventos MMI, clasifica débilmente eventos de diferentes clases. El modelo 2D-DNN propuesto muestra un rendimiento de clasificación sólido que se nota en los diagramas de dispersión PCA y t-SNE con grupos claramente separados. El modelo 2D-DNN transferido que se ejecuta en el dispositivo Edge con cuantificación de enteros de 8 bits funciona de manera comparable al modelo flotante de 32 bits de 2D-DNN.

La reducción de dimensionalidad, como herramienta predominante para la visualización de datos, especialmente en datos de alta dimensión, ayuda a buscar una relación o información estructural significativa en un espacio comprensible de dimensiones inferiores61. El análisis de componentes principales (PCA), como la incrustación de vecinos estocásticos lineales y distribuidos en t (t-SNE) más común, como otras técnicas populares de reducción de dimensionalidad no lineal, se utilizan aquí para comparar cómo cada modelo clasificador es capaz de agrupar eventos en grupos61,62. 63,64,65. Tanto PCA como t-SNE no logran encontrar información estructural y forman grupos cuando se aplican a las señales de entrada sin procesar (Fig. 3c, columna izquierda). Al mismo tiempo, SaM puede separar algunos de los eventos cuando se visualizan mediante incrustación no lineal de t-SNE. 2D-DNN (ambas versiones) asigna señales de entrada de alta dimensión en un espacio tridimensional separable lineal y no lineal (Fig. 3c). Hay una caída insignificante en el rendimiento del clasificador 2D-DNN-EdgeTPU relacionada con la caída de precisión del paso de transferencia-aprendizaje. El tiempo de inferencia promedio en la placa Coral que usa la CPU ARMx64 es de 4,14 ms, mientras que se observa una aceleración de 2 × al utilizar el acelerador Edge-TPU, lo que da como resultado un tiempo de inferencia promedio de 2,07 ms. La inferencia se realiza en eventos con un tamaño de ventana de 10,24 ms, lo que indica el rendimiento de la clasificación en tiempo real.

Para crear un sistema completo de análisis de señales en tiempo real, diseñamos un marco de clasificación y detección de eventos (Fig. 4b) que integra procesos de adquisición de datos sensoriales (DAQ), detección de eventos, preprocesamiento, inferencia DNN, gestión de bases de datos y visualización en un solo sistema. Dispositivo portátil de bajo consumo. Los bloques individuales se distribuyen en procesos y subprocesos independientes para ejecutarse en paralelo, lo cual es necesario para lograr un rendimiento en tiempo real con recursos limitados. Contar los objetivos de biomarcadores individuales en tiempo real puede mejorar la precisión del diagnóstico al proporcionar una mejor visión de la prueba inmediatamente después del inicio en comparación con el período de espera convencional y el resultado final de la prueba.

Detección en el borde. (a) Rendimiento en tiempo real del modelo que se ejecuta en Edge-TPU (placa Coral Dev). Al utilizar una arquitectura canalizada que se muestra en (b), solo hay un retraso para el primer lote y el resto se procesa sin ningún retraso adicional. La pendiente de 45 grados indica el cálculo de resultados en tiempo real. Los datos de entrada se procesan en fragmentos almacenados en caché en una cola; Esto es visible en la trama insertada donde se revelan múltiples eventos al mismo tiempo. (b) Un diagrama de bloques simplificado que muestra los bloques esenciales del marco de procesamiento de datos canalizados. Algunos bloques, es decir, DAQ, PCWA y STFT, se ejecutan en paralelo utilizando el paquete de multiprocesamiento de Python. De los 489 eventos detectados en el Edge-TPU, 485 eventos se confirman mediante inspección manual. De 488 eventos de verdad sobre el terreno, 485 se ubican correctamente y 484 se clasifican, lo que corresponde a una precisión del 99%. (c) Aplicación Dash desarrollada que se ejecuta en la placa Coral Dev. Los datos del sensor con eventos identificados se visualizan de diferentes maneras. El panel proporciona una buena visión de la muestra analizada en tiempo real.

El seguimiento de datos de entrada primero se almacena en una cola con fragmentos de longitud fija y luego se pasa al proceso de detección de eventos PCWA66 con una única wavelet rectangular genérica (Figura complementaria S1b). Las ubicaciones de los eventos detectados se utilizan para recortar y enviar ventanas recortadas desde el seguimiento de datos sin procesar al bloque STFT, que luego se envía a otra cola para ser clasificada por el modelo DNN. Como se muestra en la Fig. 4a, Coral Dev Board es capaz de identificar eventos a partir del seguimiento de datos de fluorescencia en tiempo real. Este es el segundo resultado principal de este trabajo.

El primer lote de eventos tarda decenas de milisegundos en procesarse y, debido a la arquitectura canalizada, los lotes restantes se procesan sin ningún retraso adicional (pendiente de 45° para el tiempo de ejecución frente a la ubicación del tiempo del evento). Los lotes procesados son visibles en (recuadro de la Fig. 4a) como un grupo de eventos devueltos simultáneamente con la misma etiqueta de tiempo de ejecución. La Tabla 1 resume la tasa de detección y las medidas de precisión del marco. La tasa de detección se calcula basándose en la inspección manual de eventos y la clasificación se verifica según la ubicación del evento en la etapa de seguimiento de datos de fluorescencia. El seguimiento de los datos de entrada y la ubicación de los eventos detectados con información adicional, es decir, el tipo de objetivo, la velocidad y la puntuación de clasificación, se muestran en un panel mínimo en vivo. Se utiliza un gráfico de barras para mostrar el recuento de eventos detectados para cada tipo de objetivo a medida que evoluciona el experimento (Fig. 4c). El panel se ejecuta en una red local sin necesidad de recursos en la nube. Este esquema es una excelente práctica para abordar las preocupaciones recientes sobre privacidad de datos relacionadas con los servicios de procesamiento de datos basados en la nube47.

Hemos introducido un marco para la detección sobre la marcha de patógenos asistida por IA, multiplexada y sin amplificación. El uso de un algoritmo de aprendizaje automático basado en redes neuronales permite la identificación y clasificación de señales de fluorescencia en condiciones realistas y no ideales. En comparación con la técnica de identificación de molécula única multiplexada utilizada convencionalmente, desplazamiento y multiplicación, SaM, la precisión de clasificación de nuestro modelo DNN tiene una métrica ROC-AUC superior en más del 40 % y se ejecuta lo suficientemente rápido como para realizar la clasificación en tiempo real. Demostramos que las tareas de procesamiento de datos convencionalmente exigentes, como la detección y clasificación de eventos multiescala de súper alta resolución, ahora se pueden realizar en dispositivos mucho más pequeños con un modelo de red neuronal muy eficiente que contiene solo unos pocos miles de parámetros. El análisis de datos de endpoints cercanos a los sensores ha demostrado ser beneficioso en términos de energía y carga de red gastada en la comunicación entre endpoints y la nube, además de preocupaciones sobre privacidad y seguridad de los datos47,67. Nuestro marco resuelve preocupaciones similares aprovechando un dispositivo de borde específico de IA con una estrategia de inferencia bajo demanda. El modelo de red neuronal eficiente ejecuta inferencias solo si se detecta un evento en el seguimiento del tiempo a través del proceso de detección de eventos PCWA. Actualmente, la placa Coral Dev no es capaz de entrenar el modelo y requiere una computadora de escritorio para los pasos de entrenamiento y transferencia del modelo. Creemos que esta limitación se puede resolver con futuras actualizaciones del hardware y las bibliotecas o utilizando un servidor basado en la nube para esta tarea específica. Otra limitación actual es el límite superior del rango de concentración; más específicamente, los eventos deben estar espaciados en el eje del tiempo. Las soluciones de alta concentración se pueden diluir fácilmente con el tampón, con la salvedad de que la dilución aumentará el volumen de la muestra y los tiempos de prueba. El trabajo futuro abordará este problema en el contexto de la detección multiplexada con sensibilidad hasta biomarcadores moleculares únicos14,68,69,70.

La configuración de detección de una sola molécula por fluorescencia basada en ARROW se muestra en (Fig. 1a). Dos láseres que funcionan a 738 nm (Ti:Sapphire, Del Mar Photonics) y 556 nm (SSD Nd:YAG, Shanghai Dream Laser Technology Co.) se acoplan a una fibra óptica monomodo (F-SA, Newport) utilizando un cable de 60 × objetivo de microscopio (Newport). Un par de ventiladores de refrigeración de PC modificados se utilizan como obturadores mecánicos (MS1, MS2) para cerrar/abrir rutas ópticas para cada color. El chip optofluídico se monta en un escenario personalizado impreso en 3D usando cinta de doble cara, y los dos depósitos de fluido cilíndricos de latón se pegan a los extremos del canal de líquido con cera. La línea de vacío está conectada al depósito de salida para proporcionar presión negativa para el flujo de muestra dentro del chip ARROW. La señal de fluorescencia de los objetivos marcados se guía a través de la guía de ondas de recolección y se recoge desde la faceta lateral mediante un objetivo de 60 × (Newport). Luego, la luz de excitación se elimina mediante un filtro óptico penta-banda (FF01-440/521/607/694/809-25, Semrock) antes de acoplar la luz recolectada con un cable de conexión de fibra óptica multimodo con un conector FC. Un módulo de conteo de fotón único (SPCM-AQRH, Excelitas Technologies) convierte fotones de fluorescencia en pulsos eléctricos, y una placa de conteo de fotón único correlacionado en el tiempo (TCSPC) (TimeHarp 260 nano, PicoQuant) registra eventos de fotones con etiquetas de tiempo en la computadora disco de almacenamiento.

Se mezclan 10 µl de hebras de ácido nucleico sintético de 3 µM (correspondientes a una diana bacteriana resistente a los antibióticos) con 10 µl de oligómeros de sonda fluorescente específicos de la diana 10 µM [IDT DNA Inc.] (consulte la Tabla complementaria S1). El volumen final de la mezcla objetivo-sonda se eleva a 30 l añadiendo tampón 1XT50. La mezcla objetivo-sonda se calienta a 95 °C durante 5 min y se incuba durante 3 h. Las perlas magnéticas recubiertas de estreptavidina [DynabeadsTM] con 1 µm de diámetro están funcionalizadas con oligómeros de captura biotinilados específicos del objetivo. Después de la incubación, la estructura objetivo-sonda hibridada se mezcla con la perla magnética funcionalizada en un mezclador giratorio durante 1 h. Se utiliza un imán mantenido debajo del vial para tirar hacia abajo las perlas magnéticas con el complejo objetivo-sonda capturado. Se lavan todas las hebras de ácido nucleico no unidas y se resuspenden las perlas. La Figura 1a (recuadro) visualiza la estructura final del ensayo. Anteriormente se ha demostrado que esta técnica de etiquetado es muy específica de la secuencia objetivo14.

El conjunto de datos de entrenamiento se crea a partir del seguimiento de tiempo que se muestra en la Fig. 1b. Los eventos se detectan ejecutando el algoritmo PCWA con tres funciones wavelet (MSG-6, MSG-8 y MSG-6 y 8) para seleccionar tres posibles clases de eventos del seguimiento temporal. Los parámetros de PCWA se configuran de la siguiente manera: escalas de 0,1 a 1,0 ms con 50 pasos logarítmicos, coeficientes de dispersión, h = 1, w = 1 y selectividad = 0,3. PCWA devuelve la ubicación temporal, el valor de escala, el coeficiente CWT y la función wavelet correspondiente en forma de una matriz estructurada que luego se utiliza para recortar una ventana de 1024 puntos de datos de la traza de tiempo agrupada de 0,01 ms centrada en la ubicación de los eventos para formar el conjunto de datos de entrenamiento. El índice de función wavelet mejor coincidente se utiliza como valor de etiqueta en el conjunto de datos. Un paso adicional de verificación de la calidad del evento (consulte la figura complementaria S2) elimina los eventos superpuestos y mal detectados del conjunto de entrenamiento.

La señal de entrada se convierte en un espectrograma de tiempo-frecuencia utilizando transformada de Fourier de tiempo corto (STFT) con una ventana de Hanning de 128 puntos de datos de largo y 120 puntos de datos superpuestos segmentos para garantizar una resolución tiempo-frecuencia equilibrada. Una red neuronal profunda con dos conjuntos de capas convolucionales 2D con funciones de activación ReLU y capas de agrupación máxima 2D se conectan en cascada después de una capa de agrupación promedio 2D en la imagen de entrada (espectrograma). La capa de agrupación promedio con un tamaño de agrupación de 2 muestra la imagen de entrada con un tamaño de 128 × 128 píxeles en una imagen de 64 × 64 píxeles. Comparamos los resultados del espectrograma original con la versión reducida y, aunque observamos una aceleración y un uso reducido de la memoria durante el entrenamiento y la inferencia, no hubo ningún sacrificio notable en el rendimiento. La primera capa convolucional consta de 9 filtros con un núcleo y un tamaño de zancada de 3 × 3 y 1 × 1 píxeles, respectivamente. Se utiliza una capa de normalización de lotes adicional antes de la capa de agrupación máxima para mejorar la velocidad y la solidez del entrenamiento71. La segunda capa convolucional es una pila de 25 filtros de 5 × 5 píxeles con el mismo tamaño de zancada que la primera capa convolucional. Las capas de agrupación máxima tienen tamaños de agrupación iguales a los tamaños de núcleo utilizados en la capa convolucional principal correspondiente. Las características extraídas con la dimensionalidad de (3, 3, 25) luego se aplanan y se introducen en una capa densa con una función de activación softmax que actúa como clasificador. La salida de la capa densa tiene tres dimensiones correspondientes a tres posibles clases de salida (KPn, eu y KPneu). Se agrega una capa de 0,2 abandonos a cada capa convolucional como regularización adaptativa72. El material complementario presenta una composición detallada del modelo DNN (Figura complementaria S3a, b). El modelo DNN se implementa en Python-3.8.10 y TensorFlow-2.8.0 en una computadora de escritorio de 64 bits que ejecuta Ubuntu 20.04.4 LTS.

El modelo DNN entrenado se cuantifica en un modelo entero de 8 bits y se compila en un modelo binario compatible con Edge-TPU. Un paso de entrenamiento fino implica algunas épocas (aquí 20) de volver a exponer el modelo cuantificado al conjunto de datos de entrenamiento para recuperar la precisión del error de cuantificación de los parámetros. El compilador de bordes puede asignar nueve de once operaciones al Edge-TPU, lo que significa que solo se ejecutan conversiones de enteros flotantes de entrada y salida en la CPU, y el resto de las operaciones del modelo DNN utilizan recursos de Edge-TPU (consulte la figura complementaria). S3c). Luego, el modelo compilado se transfiere a la placa Coral Dev. Un script de Python con los bloques que se muestran en la (Fig. 4b) está diseñado para recuperar, analizar y visualizar los datos sensoriales sin procesar entrantes sobre la marcha. La interfaz de usuario y el servidor del panel se implementan utilizando la biblioteca Dash Python de Plotly73.

Todos los datos que respaldan los hallazgos y conclusiones están presentes en el artículo y en los materiales complementarios. Los datos adicionales están disponibles del autor correspondiente a solicitudes razonables.

Vashist, SK, Luppa, PB, Yeo, LY, Ozcan, A. & Luong, JHT Tecnologías emergentes para pruebas en el punto de atención de próxima generación. Tendencias Biotecnología. 33, 692–705 (2015).

Artículo CAS PubMed Google Scholar

Wang, C. y col. Diagnóstico en el lugar de atención para enfermedades infecciosas: de los métodos a los dispositivos. Nano Hoy 37, 101092 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Yen, Y.-K. y Chiu, C.-Y. Un sensor nanomecánico de puente de membrana basado en CMOS MEMS para la detección de moléculas pequeñas. Ciencia. Rep. 10, 2931 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Bamshad, A. & Cho, HJ Micro/nanosensores y sistemas de microfluidos impresos por Laserjet: una plataforma digital sencilla y sencilla para dispositivos económicos, flexibles y de bajo volumen. Adv. Estera. Tecnología. 6, 2100401 (2021).

Artículo de Google Scholar

Noviana, E. et al. Dispositivos analíticos de microfluidos basados en papel: del diseño a las aplicaciones. Química. Rev. 121, 11835–11885 (2021).

Artículo CAS PubMed Google Scholar

Kugimiya, A., Wakimoto, S., Kohda, J., Nakano, Y. y Takano, Y. Desarrollo de un método de análisis de un solo paso para varios aminoácidos utilizando un dispositivo analítico de microfluidos basado en papel. Ciencia. Rep. 12, 3427 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Yang, S. & Rothman, RE Diagnóstico basado en PCR para enfermedades infecciosas: usos, limitaciones y aplicaciones futuras en entornos de cuidados intensivos. Infección por lanceta. Dis. 4, 337–348 (2004).

Artículo CAS PubMed PubMed Central Google Scholar

Kibirige, CN et al. Desarrollo de un ensayo cuantitativo sensible con amplia especificidad de subtipo para la detección de ácidos nucleicos totales del VIH-1 en plasma y PBMC. Ciencia. Rep. 12, 1550 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Carvalho-Correia, E. et al. OmniSARS2: un método de diagnóstico de COVID-19 basado en RT-qPCR altamente sensible y específico diseñado para resistir la evolución del linaje del SARS-CoV-2. Biomedicinas 9, 1314 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Notomi, T., Mori, Y., Tomita, N. y Kanda, H. Amplificación isotérmica mediada por bucle (LAMP): principio, características y perspectivas futuras. J. Microbiol. 53, 1–5 (2015).

Artículo CAS PubMed Google Scholar

Garg, N., Ahmad, FJ y Kar, S. Avances recientes en la amplificación isotérmica mediada por bucle (LAMP) para la detección rápida y eficiente de patógenos. actual. Res. Microbio. Ciencia. 3, 100120 (2022).

CAS PubMed PubMed Central Google Académico

Sampad, MJN y cols. Detección sin etiquetas y sin amplificación asistida por captura óptica de ARN del SARS-CoV-2 con un sensor de nanoporos optofluídicos. Biosens. Bioelectrón. 194, 113588 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Chien, C.-C., Shekar, S., Niedzwiecki, DJ, Shepard, KL y Drndić, M. Grabaciones de translocación de ADN monocatenario a través de nanoporos de estado sólido en chips de vidrio con un ancho de banda de medición de 10 MHz. ACS Nano 13, 10545–10554 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Cai, H. y col. Sistema de análisis optofluídico para la detección directa y sin amplificación de la infección por Ébola. Ciencia. Rep. 5, 14494 (2015).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Du, K. y col. Preparación de muestras en chip multiplexada y eficiente y detección sensible sin amplificación del virus del Ébola. Biosens. Bioelectrón. 91, 489–496 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Ozcelik, D. y col. Multiplexación por división de longitud de onda optofluídica para la detección de un solo virus. PNAS 112, 12933–12937 (2015).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Meena, GG y cols. Detección optofluídica multiplexada 7X de ácidos nucleicos para la detección de bacterias resistentes a los antibióticos. Optar. Exp. 28, 33019–33027 (2020).

Artículo CAS Google Scholar

Black, JA, Ganjalizadeh, V., Parks, JW y Schmidt, H. Multiplexación de velocidad multicanal de detección de virus único en un chip optofluídico. Optar. Letón. 43, 4425–4428 (2018).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Liu, R., Wang, N., Kamili, F. y Sarioglu, AF CÓDIGOS de microfluidos: un sensor electrónico multiplexado escalable para la detección ortogonal de partículas en canales de microfluidos. Chip de laboratorio 16, 1350-1357 (2016).

Artículo CAS PubMed Google Scholar

Liu, R. y col. Diseño y modelado de redes de electrodos para detección de pulsos resistivos multiplexados por división de código en dispositivos de microfluidos. Chip de laboratorio 17, 2650–2666 (2017).

Artículo CAS PubMed Google Scholar

Liu, R., Wang, N., Asmare, N. y Sarioglu, AF Redes de electrodos multiplexados con código de escala para la detección distribuida de Coulter en microfluidos. Biosens. Bioelectrón. 120, 30–39 (2018).

Artículo CAS PubMed Google Scholar

Ahuja, K. et al. Hacia la evaluación de la respuesta del paciente en el lugar de atención: una herramienta portátil para evaluar rápidamente la eficacia de los medicamentos contra el cáncer mediante citometría de impedancia multifrecuencia y aprendizaje automático supervisado. Microsistema. Nanoeng. 5, 1-11 (2019).

Artículo CAS Google Scholar

Sui, J., Xie, P., Lin, Z. y Javanmard, M. Clasificación electrónica de partículas con códigos de barras para detección multiplexada mediante análisis de aprendizaje automático supervisado. Talanta 215, 120791 (2020).

Artículo CAS PubMed Google Scholar

Xie, P., Cao, X., Lin, Z. y Javanmard, M. La fabricación de arriba hacia abajo se combina con la síntesis ascendente para códigos de barras nanoelectrónicos de micropartículas. Chip de laboratorio 17, 1939-1947 (2017).

Artículo CAS PubMed Google Scholar

Xie, P. y col. Procesamiento de ganancia y ruido en citómetros de impedancia multielectrodo: caracterización y metodología integral de diseño eléctrico. Sens. Actuadores, B Chem. 241, 672–680 (2017).

Artículo CAS Google Scholar

Wang, N., Liu, R., Asmare, N., Chu, C.-H. & Sarioglu, AF Redes de sensores integradas con corrección de errores para el seguimiento de partículas multiplexadas en chips de microfluidos. Biosens. Bioelectrón. 174, 112818 (2021).

Artículo CAS PubMed Google Scholar

Li, Y. et al. Citometría profunda: aprendizaje profundo con inferencia en tiempo real en clasificación celular y citometría de flujo. Ciencia. Rep. 9, 11088 (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Raji, H., Tayyab, M., Sui, J., Mahmoodi, SR y Javanmard, M. Biosensores y aprendizaje automático para mejorar la detección, estratificación y clasificación de células: una revisión. Biomédica. Microdesarrollo. 24, 26 (2022).

Artículo de Google Scholar

Ganjalizadeh, V. et al. Técnica rápida de análisis de wavelets personalizada para la detección e identificación de moléculas individuales. Nat. Comunitario. 13, 1–9 (2022).

Artículo de Google Scholar

McCulloch, WS & Pitts, W. Un cálculo lógico de las ideas inmanentes a la actividad nerviosa. Toro. Matemáticas. Biofísica. 5, 115-133 (1943).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Valiant, LG Una teoría de lo que se puede aprender. Comunitario. ACM 27, 1134-1142 (1984).

Artículo MATEMÁTICAS Google Scholar

Duda, RO y Hart, PE Clasificación de patrones y análisis de escenas, vol. 3 (Wiley, 1973).

MATEMÁTICAS Google Scholar

Fukushima, K. Neocognitron: Un modelo de red neuronal autoorganizada para un mecanismo de reconocimiento de patrones que no se ve afectado por el cambio de posición. Biol. Cibern. 36, 193-202 (1980).

Artículo CAS PubMed MATEMÁTICAS Google Scholar

Talaviya, T., Shah, D., Patel, N., Yagnik, H. & Shah, M. Implementación de inteligencia artificial en agricultura para la optimización del riego y la aplicación de pesticidas y herbicidas. Artif. Intel. Agrícola. 4, 58–73 (2020).

Google Académico

Xiang, X., Li, Q., Khan, S. y Khalaf, OI Gestión de recursos hídricos urbanos para la planificación ambiental sostenible utilizando técnicas de inteligencia artificial. Reinar. Evaluación de impacto. Rev. 86, 106515 (2021).

Artículo de Google Scholar

Ma, Y., Wang, Z., Yang, H. & Yang, L. Aplicaciones de inteligencia artificial en el desarrollo de vehículos autónomos: una encuesta. IEEE/CAA J. Autom. Pecado. 7, 315–329 (2020).

Artículo de Google Scholar

Sterne, J. Inteligencia artificial para marketing: aplicaciones prácticas (Wiley, 2017).

Reservar Google Académico

Mak, K.-K. & Pichika, MR Inteligencia artificial en el desarrollo de fármacos: estado actual y perspectivas de futuro. Descubrimiento de drogas. Hoy 24, 773–780 (2019).

Artículo PubMed Google Scholar

Riedl, MO & Young, RM Planificación narrativa: equilibrio entre trama y personaje. jair 39, 217–268 (2010).

Artículo MATEMÁTICAS Google Scholar

Moloi, T. & Marwala, T. Inteligencia artificial en teorías de economía y finanzas (Springer, 2020).

Reservar Google Académico

Amato, F. et al. Redes neuronales artificiales en el diagnóstico médico. J. Aplica. Biomédica. 11, 47–58 (2013).

Artículo CAS Google Scholar

Sun, J., Peng, Y., Guo, Y. & Li, D. La segmentación de la imagen de tumor cerebral multimodal utilizó el método de arquitectura de múltiples vías basado en 3D FCN. Neurocomputación 423, 34–45 (2021).

Artículo de Google Scholar

van der Lubbe, MFJA et al. Un diagnóstico automatizado y no invasivo de la enfermedad de Menière utilizando radiómica y aprendizaje automático en imágenes por resonancia magnética convencional: un estudio de viabilidad multicéntrico de casos y controles. Radiol. Medicina. 127, 72–82 (2022).

Artículo PubMed Google Scholar

Ström, P. et al. Inteligencia artificial para el diagnóstico y clasificación del cáncer de próstata en biopsias: un estudio de diagnóstico basado en la población. Lanceta Oncol. 21, 222–232 (2020).

Artículo PubMed Google Scholar

Tanveer, M. y col. Técnicas de aprendizaje automático para el diagnóstico de la enfermedad de Alzheimer: una revisión. Transmisión ACM. Multimed. Computadora. Comunitario. Aplica. 16, 30:1-30:35 (2020).

Artículo de Google Scholar

Cui, F., Yue, Y., Zhang, Y., Zhang, Z. y Zhou, HS Avance de los biosensores con aprendizaje automático. ACS Sens.5, 3346–3364 (2020).

Artículo CAS PubMed Google Scholar

Cao, K., Liu, Y., Meng, G. y Sun, Q. Una descripción general de la investigación en informática de punta. Acceso IEEE 8, 85714–85728 (2020).

Artículo de Google Scholar

Puntos de referencia de rendimiento de Edge TPU. Coral https://coral.ai/docs/edgetpu/benchmarks/.

Soldano, LB & Pennings, ECM Dispositivos ópticos de interferencia multimodo basados en la autoimagen: principios y aplicaciones. J. Tecnología Lightwave. 13, 615–627 (1995).

ADS del artículo Google Scholar

Xu, Y., Du, J., Dai, L.-R. y Lee, C.-H. Un enfoque de regresión para mejorar el habla basado en redes neuronales profundas. Trans. IEEE/ACM. Proceso de lenguaje de habla en audio 23, 7–19 (2014).

Artículo CAS Google Scholar

Yousefi, M. & Hansen, JHL Arquitecturas CNN de alto rendimiento basadas en bloques para detección de voz superpuesta a nivel de fotograma. Trans. IEEE/ACM. Proceso de lenguaje de voz en audio. 29, 28–40 (2021).

Artículo de Google Scholar

Keerthi Krishnan, K. & Soman, KP Clasificación del imaginario motor basada en CNN utilizando imágenes de espectro EEG descompuestas en modo variacional. Biomédica. Ing. Letón. 11, 235–247 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Huang, J., Chen, B., Yao, B. & He, W. Clasificación de arritmias ECG mediante espectrograma basado en STFT y red neuronal convolucional. Acceso IEEE 7, 92871–92880 (2019).

Artículo de Google Scholar

Sultana, F., Sufian, A. y Dutta, P. Avances en la clasificación de imágenes mediante redes neuronales convolucionales. en 2018, Cuarta Conferencia Internacional sobre Investigación en Inteligencia Computacional y Redes de Comunicación (ICRCICN), págs. 122-129 (2018). https://doi.org/10.1109/ICRCICN.2018.8718718.

Lecun, Y., Bottou, L., Bengio, Y. & Haffner, P. Aprendizaje basado en gradientes aplicado al reconocimiento de documentos. Proc. IEEE 86, 2278–2324 (1998).

Artículo de Google Scholar

Kingma, DP & Ba, J. Adam: Un método de optimización estocástica. Preimpresión en http://arxiv.org/abs/1412.6980 (2017).

Tecnología. Coral https://coral.ai/technology/.

Hoja de datos de la placa de desarrollo. Coral https://coral.ai/docs/dev-board/datasheet/#certifications.

Abadi, M. et al. TensorFlow: aprendizaje automático a gran escala en sistemas distribuidos heterogéneos. https://arxiv.org/abs/1603.04467 (2016).

Sarkar, D., Bali, R. & Ghosh, T. Aprendizaje práctico por transferencia con Python: implementación de modelos avanzados de aprendizaje profundo y redes neuronales utilizando TensorFlow y Keras (Packt Publishing Ltd, 2018).

Google Académico

Gisbrecht, A. & Hammer, B. Visualización de datos mediante reducción de dimensionalidad no lineal. CABLES Datos Min. Conocimiento. Descubrimiento. 5, 51–73 (2015).

Artículo de Google Scholar

Wold, S., Esbensen, K. y Geladi, P. Análisis de componentes principales. Quimio. Intel. Laboratorio. Sistema. 2, 37–52 (1987).

Artículo CAS Google Scholar

Ringnér, M. ¿Qué es el análisis de componentes principales?. Nat. Biotecnología. 26, 303–304 (2008).

Artículo PubMed Google Scholar

Van der Maaten, L. y Hinton, G. Visualización de datos mediante t-SNE. J. Mach. Aprender. Res. 9, 2579–2605 (2008).

MATEMÁTICAS Google Scholar

Abdi, H. & Williams, LJ Análisis de componentes principales. Wiley Interdisciplinario. Rev.: Computación. Estadística. 2, 433–459 (2010).

Artículo de Google Scholar

Ganjalizadeh, V. & Schmidt, HPCWA Una técnica rápida de análisis de wavelets personalizada para la detección e identificación de moléculas individuales. Nat. Comunitario. https://doi.org/10.5281/zenodo.5794624 (2021).

Chen, J. & Ran, X. Aprendizaje profundo con informática de punta: una revisión. Proc. IEEE 107, 1655–1674 (2019).

Artículo de Google Scholar

Stambaugh, A. y col. Detección múltiplex optofluídica de antígenos únicos del SARS-CoV-2 y de la influenza A mediante un novedoso ensayo de sonda fluorescente brillante. PNAS 118, e2103480118 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Meena, GG y cols. Detección multiplexada 3× de plásmidos resistentes a antibióticos con sensibilidad de una sola molécula. Chip de laboratorio 20, 3763–3771 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Meena, G. y col. Detección ultrasensible de ARN y antígeno del SARS-CoV-2 mediante un chip optofluídico de una sola molécula. Fotón Apl 6, 066101 (2021).

Artículo ADS CAS Google Scholar

Ioffe, S. & Szegedy, C. Normalización de lotes: acelerar el entrenamiento profundo de la red reduciendo el cambio de covariables interno. http://arxiv.org/abs/1502.03167 (2015).

Wager, S., Wang, S. & Liang, PS El entrenamiento de deserción como regularización adaptativa. en Avances en sistemas de procesamiento de información neuronal vol. 26 (Curran Associates, Inc., 2013).

Dabbas, E. Paneles interactivos y aplicaciones de datos con Plotly y Dash: aproveche el poder de un marco web frontend completo en Python, sin necesidad de JavaScript (Packt Publishing Ltd., 2021).

Google Académico

Descargar referencias

Agradecemos a Thomas A. Wall por su ayuda en la fabricación del dispositivo ARROW. Este trabajo fue apoyado por una donación del Fondo del Programa de Investigación de la Universidad de Cisco #2020-224954 (HS), así como de los Institutos Nacionales de Salud bajo las subvenciones 1R01AI116989-01 (ARH, HS), 1R01EB028608 (HS, ARH) y National Science. Fundación bajo subvención CBET-1703058 (HS), respectivamente.

Escuela de Ingeniería, Universidad de California, Santa Cruz, 1156 High Street, Santa Cruz, CA, 95064, EE. UU.

Vahid Ganjalizadeh, Gopikrishnan G. Meena y Holger Schmidt

Departamento de Ingeniería Eléctrica e Informática, Universidad Brigham Young, Provo, UT, 84602, EE. UU.

Matthew A. Stott y Aaron R. Hawkins

También puedes buscar este autor en PubMed Google Scholar.

VG y HS diseñaron la investigación; MAS fabricó los chips optofluídicos; GGM realizó los experimentos; VG desarrolló el marco de aprendizaje automático; VG y HS realizaron el análisis de los datos; VG visualizó los datos y resultados; VG, ARH, HS escribieron el artículo; HS supervisó la investigación.

Correspondencia a Holger Schmidt.

ARH y HS tenían un interés competitivo en Fluxus Inc, que comercializa tecnología optofluídica. Todos los demás autores declaran que no tienen intereses en competencia.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Ganjalizadeh, V., Meena, GG, Stott, MA et al. Aprendizaje automático en el borde para la detección de patógenos multiplexados habilitados por IA. Informe científico 13, 4744 (2023). https://doi.org/10.1038/s41598-023-31694-6

Descargar cita

Recibido: 29 de junio de 2022

Aceptado: 15 de marzo de 2023

Publicado: 23 de marzo de 2023

DOI: https://doi.org/10.1038/s41598-023-31694-6

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.