Integrating image analysis and low-cost optical transmittance for quantification of agglutination in a dual-phase automated dynamic inlet microfluidics system
Notice bibliographique
Résumé
This study presents an integrated approach for quantifying agglutination over a wide concentration range (0.0128– 5000 μ g /mL) by combining two complementary optical detection techniques within a dual-phase Lab-in-Tubing microfluidic platform. This platform generates continuous trains of droplets inside PTFE tubing. Each droplet contains varying concentrations of Streptavidin-coated Dynabeads and biotinylated Bovine Serum Albumin (bBSA). The tubing-based setup enables droplet-based reactions and analysis in a compact, low-cost, and easily configurable format. The detection system combines image-based analysis with a low-cost optical measurement method. The optical component uses a line break sensor (LBS), a compact light-based device that monitors how much light passes through each droplet. The amount of transmitted light changes based on the agglomerates formed within the droplet. These variations in the light signal indicate the extent of agglutination. Image analysis is performed in MATLAB, where droplet images are processed to extract multiple quantitative features for detailed evaluation of agglutination levels. Image analysis alone accurately distinguishes agglutinated from non-agglutinated droplets across whole concentration range with 100% accuracy and classifies agglutination into three distinct bands (Band 1: 0.0128– 0 . 32 μ g /mL, Band 2: 1.6– 40 μ g /mL, Band 3: 200– 5000 μ g /mL) with 97.5% accuracy. With the developed algorithm, which combines both image analysis and optical measurements, the accuracy of classifying agglutination into the specified bands increases to 97.9%. This hybrid detection framework demonstrates the potential of accessible, scalable agglutination diagnostics using microfluidics and affordable optical tools.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».