18、机器学习赋能生物传感器在临床决策中的应用

机器学习赋能生物传感器在临床决策中的应用

1. 电化学与单分子检测

通过将惩罚参数（C）和非线性核系数（γ）分别调整到最优值 10 和 0.01，性能得到了提升。目前关于使用深度学习的电化学（EC）生物传感器的信息还比较缺乏，可获取的数据集数量较少可能是其中一个因素。随着阵列或多路复用 EC 生物传感器的改进，以评估大量实际样本，深度学习在电化学生物传感器中的应用将会出现。

将机器学习（ML）与单分子（SM）识别相结合，可以提高其准确性和精度。这种结合还能优化电生物传感器的设计约束，并定量评估分子识别能力。单分子电检测技术可分为纳米孔和纳米间隙两类，常用于病毒检测、肽测序、DNA、碳水化合物和 RNA 检测等。然而，对于分子体积和边界轨道能量相似的分析物，最大电流（Ip）和电流持续时间（td）信号相似，电流信号的重叠使得几种分析物的检测和识别难以实现。通过应用 SVM、RF 和 CNN 等 ML 技术分析电流 - 时间波形，可以解决这个问题。Kawai 及其同事的旋转森林模型能够区分电信号和相似的微生物形态，通过融合时间向量和当前向量获得 60 个特征，利用枯草芽孢杆菌和大肠杆菌的 161 个波形（共 322 个尖峰）的全部收集值作为训练信息，预测剩余 18 个电阻波形作为测试，结果表明单个细菌的分离精度超过 90%。

2. 基于光谱的生物传感器

表面增强拉曼光谱（SERS）可利用复杂基质获取分析物的内在指纹信息，是一种用于快速、无标记、即时护理和非破坏性诊断的有前景的分析策略。但许多分析物和基质中物质的光谱相似或重叠，手动区分困难甚至不可能。ML 的使用有望显著提高 SERS 的效率，SERS 基底增强元素的一致性对于 ML 技术至关重要，因为大量信息指