AI-Enhanced Lateral Flow Assay Enables 3-Minute Quantitative Detection with Laboratory-Grade Accuracy
Notice bibliographique
Résumé
Lateral flow immunoassay (LFA) remains one of the most widely used point-of-care testing (POCT) platforms for disease diagnosis, food safety assessment, and environmental monitoring. However, traditional LFAs typically require up to 30 min and offer only qualitative results, limiting their application where precise and rapid quantification is needed. In this study, we propose a Rapid and Accurate Deep Learning-Based Quantitative Lateral Flow Assay (RAD-LFA), specifically designed to overcome the inherent limitations of conventional LFA techniques. RAD-LFA integrates a Residual Network (ResNet) module for spatial feature extraction and a DyFormer module for dynamic temporal modeling, enabling precise quantification of target analytes within the first 3 min of the assay. This integrated framework significantly reduces detection time and enhances quantification accuracy, as demonstrated through extensive validation on Coronavirus disease 2019 (COVID-19) and hepatitis B virus (HBV) data sets. Experimental results show that RAD-LFA improves qualitative detection accuracy by 15% over expert visual interpretation and achieves robust quantitative performance with a coefficient of determination ( R 2 ) of 0.97. In clinical blind tests, RAD-LFA demonstrated excellent diagnostic performance, achieving 94% overall accuracy, 95% sensitivity, 92% specificity, and an R 2 of 0.9985 while markedly reducing the analysis time. Overall, RAD-LFA represents a promising, portable, and highly reliable POCT solution that effectively bridges the gap between decentralized testing and laboratory-grade quantification.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».