Comparative Analysis of Machine Learning Algorithms Used for Translating Aptamer-Antigen Binding Kinetic Profiles to Diagnostic Decisions
Notice bibliographique
Résumé
Current approaches for classifying biosensor data in diagnostics rely on fixed decision thresholds based on receiver operating characteristic (ROC) curves, which can be limited in accuracy for complex and variable signals. To address these limitations, we developed a framework that facilitates the application of machine learning (ML) to diagnostic data for the binary classification of clinical samples, when using real-time electrochemical measurements. The framework was applied to a real-time multimeric aptamer assay (RT-MAp) that captures single-frequency (12.6 Hz) impedance data during the binding of viral protein targets to trimeric aptamers. The impedance data collected from 172 COVID-19 saliva samples were processed through multiple nonlinear regression models to extract nine key features from the transient signals. These features were then used to train three supervised ML algorithms─support vector machine (SVM), artificial neural network (ANN), and random forest (RF)─using a 75:25 training-testing ratio. Traditional ROC-based classification achieved an accuracy of 83.6%, while ML-based models significantly improved performance, with SVM, ANN, and RF achieving accuracies of 86.0%, 100%, and 100%, respectively. The ANN model demonstrated superior performance in handling complex and high-variance biosensor data, providing a robust and scalable solution for improving diagnostic accuracy in point-of-care settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».