Using Machine Learning and Optical Microscopy Image Analysis of Immunosensors Made on Plasmonic Substrates: Application to Detect the SARS-CoV-2 Virus
Notice bibliographique
Résumé
In this article, we introduce a diagnostic platform comprising an optical microscopy image analysis system coupled with machine learning. Its efficacy is demonstrated in detecting SARS-CoV-2 virus particles at concentrations as low as 1 PFU (plaque-forming unit) per milliliter by processing images from an immunosensor on a plasmonic substrate. This high performance was achieved by classifying images with the support vector machine (SVM) algorithm and the MobileNetV3_small convolutional neural network (CNN) model, which attained an accuracy of 91.6% and a specificity denoted by an F1 score of 96.9% for the negative class. Notably, this approach enabled the detection of SARS-CoV-2 concentrations 1000 times lower than the limit of detection achieved with localized surface plasmon resonance (LSPR) sensing using the same immunosensors. It is also significant that a binary classification between control and positive classes using the MobileNetV3_small model and the random forest algorithm achieved an accuracy of 96.5% for SARS-CoV-2 concentrations down to 1 PFU/mL. At such low concentrations, straightforward screening of newly infected patients may be feasible. In supporting experiments, we verified that texture was the main contributor to the distinguishability of images taken at different SARS-CoV-2 concentrations, indicating that the combination of ML and image analysis may be applied to any biosensor whose detection mechanism is based on adsorption.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».