Electrochemical biosensor with ML model for the early prediction of breast Cancer from urine: Preliminary outcomes
Notice bibliographique
Résumé
Breast cancer is the second most frequent cancer type in the United States, with over 2.3 million cases and 685,000 reported deaths annually, according to 2024 GLOBOCAN data. Cancer detection uses diagnostic methods like magnetic resonance imaging, ultrasonography, and biopsies, which are often intrusive, expensive, painful, and have sub-optimal accuracy. Developing non-invasive, affordable, accurate, sensitive, and efficient technologies is essential for early diagnosis of breast cancer. A urine-based biosensor utilizing electrochemical analysis was developed using artificial urine as the electrolyte and screen-printed gold electrodes coated with a suitable Antibody targeting MMP-9, ALP, BCA-225, and Haptoglobin proteins. Additionally, a Support Vector Machine (SVM) and Neural Network (NN) tool-based Machine Learning (ML) model was created to assess the efficacy of breast cancer prediction. The change in impedance and capacitance that differentiates the various concentrations of the protein biomarker in artificial urine was evaluated using the Electrochemical Impedance Spectroscopy (EIS) and Cyclic Voltammetry (CV) data. Also, the ML model (SVM) and Neural Networks showed good accuracy for each protein biomarker predicting breast cancer risk when the EIS and CV data were provided. Furthermore, the outcomes of biological investigations like ELISA showed that interactions between antibodies and proteins confirmed the electrochemical findings. Our biosensor provided a more sensitive and reliable alternative to routine immunoassays. The SEM/EDX findings also supported the electrode's coating of antibodies and protein. Thus, the biosensor has the potential to become an early diagnostic tool for breast cancer and may act as a point-of-care setting using urine samples.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».