Comparando estruturas de regressão de aprendizado de máquina e aprendizado profundo para previsão precisa da força dieletroforética

Scientific Reports volume 12, Artigo número: 11971 (2022) Citar este artigo

4201 Acessos

2 citações

1 Altmétrico

Detalhes das métricas

É relatada uma estrutura de detecção inteligente usando arquiteturas de aprendizado de máquina (ML) e aprendizado profundo (DL) para quantificar com precisão a força dieletroforética invocada em micropartículas em um dispositivo de detecção DEP baseado em eletrodo têxtil. A precisão da previsão e a capacidade de generalização da estrutura foram validadas usando resultados experimentais. Imagens de alinhamento de cadeia de pérolas em tensões de entrada variadas foram usadas para construir modelos de regressão profunda usando arquiteturas ML e CNN modificadas que podem correlacionar padrões de alinhamento de cadeia de pérolas de células de Saccharomyces cerevisiae (levedura) e microesferas de poliestireno à força DEP. Vários modelos de ML, como K-Nearest Neighbor, Support Vector Machine, Random Forest, Redes Neurais e Regressão Linear, juntamente com modelos DL, como arquiteturas de Rede Neural Convolucional (CNN) de AlexNet, ResNet-50, MobileNetV2 e GoogLeNet foram analisados a fim de construir uma estrutura de regressão eficaz para estimar a força induzida nas células de levedura e microesferas. As eficiências dos modelos foram avaliadas usando o erro médio absoluto, o erro médio absoluto relativo, o erro quadrático médio, o R-quadrado e a raiz do erro quadrático médio (RMSE) como métricas de avaliação. ResNet-50 com RMSPROP apresentou o melhor desempenho, com um RMSE de validação de 0,0918 em células de levedura, enquanto AlexNet com otimizador ADAM apresentou o melhor desempenho, com um RMSE de validação de 0,1745 em microesferas. Isto fornece uma base para estudos adicionais na aplicação de aprendizagem profunda em dispositivos Lab-on-Chip auxiliados por DEP.

Ferramentas como DL e ML são parte integrante da inteligência artificial1,2,3. ML para análise de imagens normalmente envolve a extração de recursos importantes de uma imagem e o treinamento de um modelo de aprendizado de máquina4. O aprendizado de máquina pode ser altamente eficiente quando os recursos extraídos representam distintamente uma imagem específica. As imagens precisam ser convertidas em vetores de características e treinar um modelo . são exemplos de abordagens onde o aprendizado de máquina tem sido utilizado para prever a presença, ausência ou possibilidade de ocorrência em imagens. No entanto, a extração de características significativas de imagens complexas é complexa. Alternativamente, o aprendizado profundo não depende de um recurso de entrada. Em vez disso, os modelos DL identificam características significativas das imagens processadas e as classificam com base nas características identificadas. Mapas de características extraídos por meio de aprendizagem profunda de tomografia computadorizada (TC), ressonância magnética (MRI), tomografia por emissão de pósitrons (PET), mamografia, ultrassom e histopatologia fornecem informações valiosas 4,7,8. Na biologia celular, abordagens baseadas em DL são adotadas principalmente para detectar alterações na morfologia celular e correlacioná-las aos mecanismos que regem a resposta aos medicamentos7,8. Imagens do cérebro, próstata, retina e pulmões são frequentemente combinadas com algoritmos de aprendizado profundo para prever condições médicas. U-Net, ResNet e VGG são as redes derivadas de redes neurais convolucionais usadas com mais frequência para tarefas de segmentação e classificação de imagens médicas. Recentemente, a aprendizagem por transferência e as redes derivadas de GAN foram amplamente aplicadas em estudos COVID-19. Embora o treinamento DL envolva intenso processamento de dados e longo tempo de treinamento, ele fornece previsões precisas quando usado com GPU de alto desempenho e dados rotulados. Neste estudo, projetamos modelos usando abordagens de aprendizado de máquina e aprendizado profundo para estimar a magnitude da força dieletroforética do alinhamento de micropartículas em um dispositivo no local de atendimento.

A aplicação de DEP em dispositivos de detecção no local de atendimento exige dois requisitos importantes - (1) Dispositivo físico de baixa tensão (<10 Tensão) (2) um sistema inteligente que pode correlacionar a formação de cadeias de pérolas de micropartículas em força dieletroforética.

A força dieletroforética (\({F}_{\mathrm{DEP}}\)) invocada em uma micropartícula pode ser diretamente correlacionada às mudanças em suas propriedades dielétricas (Eq. 1). A força DEP também é proporcional à intensidade do campo elétrico, dimensão da partícula e condutividade média9,10,11,12. Praticamente, o alinhamento das partículas em relação aos eletrodos, em uma tensão e frequência específicas, é considerado um indicador da força DEP. Embora o alinhamento das partículas difira de experimento para experimento, algumas das características dos agregados de partículas são dominantes e únicas. \({F}_{\mathrm{DEP}}\) exercido sobre as micropartículas conduz-as a conjuntos de cadeias de pérolas que eventualmente serão alinhados ao longo do campo elétrico . Por exemplo, o número de partículas numa cadeia de pérolas a uma voltagem aplicada foi considerado relativamente constante. O padrão foi confirmado por vários pesquisadores no passado. Em um experimento com contas PS de 5 µm, cadeias de pérolas com 10 a 12 contas foram formadas para um potencial aplicado de 15 Vpp a 200 kHz. Da mesma forma, esferas PS de 10 µm formaram cadeias de pérolas com 7–12 esferas a 20 Vpp a 20 MHz em um buffer de baixa condutividade (1,8 × 10-4 S/m)13. In16 DEP negativo das contas PS foi observado quando uma voltagem de 3, 8 Vpp de frequência de 480 kHz foi aplicada, formando uma cadeia de pérolas de 6 a 7 contas. Estudos semelhantes em células de levedura foram relatados quando a voltagem (3,7 Vpp) em uma frequência de campo de 580 kHz exibiu DEP positiva, o número de partículas agregadas foi relacionado à voltagem aplicada .