AI-CMCA: a deep learning-based segmentation framework for capillary microfluidic chip analysis
Notice bibliographique
Résumé
Capillary microfluidic chips (CMCs) enable passive liquid transport via surface tension and wettability gradients, making them central to point-of-care diagnostics and biomedical sensing. However, accurate analysis of capillary-driven flow experiments remains constrained by the labour-intensive, time-consuming, and inconsistent nature of manual fluid path tracking. Here, we present AI-CMCA, an artificial intelligence framework designed for capillary microfluidic chip analysis, which automates fluid path detection and tracking using deep learning-based segmentation. AI-CMCA combines transfer learning-based feature initialization, encoder-decoder-based semantic segmentation to recognize fluid in each frame, and sequential frame analysis to track then quantify fluid progression. Among the five tested architectures, including U-Net, PAN, FPN, PSP-Net, and DeepLabV3+, the U-Net model with MobileNetV2 achieved the highest performance, with a validation IoU of 99.24% and an F1-score of 99.56%. Its lightweight design makes it well suited for smartphone or edge deployment. AI-CMCA demonstrated a strong correlation with manually extracted data while offering superior robustness and consistency in fluid path analysis. AI-CMCA performed fluid path analysis up to 100 times faster and over 10 times more consistently than manual tracking, reducing analysis time from days to minutes while maintaining high precision and reproducibility across diverse CMC architectures. By eliminating the need for manual annotation, AI-CMCA significantly enhances efficiency, precision, and automation in microfluidic research.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».