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

在生物传感器领域，机器学习正发挥着越来越重要的作用，它不仅提升了生物传感器的性能，还为临床决策提供了更准确、高效的支持。

1. 电化学生物传感器与深度学习的潜力

通过将惩罚参数（C）和非线性核系数（γ）分别调整到最佳值 10 和 0.01，电化学生物传感器的性能得到了显著提升。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少，可获取的数据集数量有限可能是其中一个因素。不过，随着阵列或多路复用 EC 生物传感器的改进，用于评估大量实际样本，深度学习在电化学生物传感器中的应用将迎来新的机遇。

2. 各类生物传感器与机器学习的结合

2.1 单分子检测生物传感器

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，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。SM 电检测技术主要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 等检测。然而，对于分子体积和边界轨道能量相似的分析物，其最大电流（Ip）和电流持续时间（td）信号相似，电流信号的重叠使得多种分析物的检测和识别变得困难。通过应用支持向量机（SVM）、随机森林（RF）和卷积神经网络（CNN）等 ML 技术分析电流 - 时间波形，可以解决这个问题。例如，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，对枯草芽孢杆菌和大肠杆菌的 161 个波形（共 322 个尖峰）进行训练，预测剩余 18 个电阻波形作为测试，结果显示单个细菌的分离准确率超过 90%。

2.2 表面增强拉曼光谱（SERS）