Overcoming Surface Irregularities-Induced Large Signal Variation in In Situ SERS via Tailored 1D-CNN for Accurate Quantification on Biological Tissues
Notice bibliographique
Résumé
Accurate in situ quantification by surface-enhanced Raman spectroscopy (SERS) on biological tissues with uneven surfaces is a persistent challenge due to signal variability from surface irregularities and the coffee-ring effect, which severely limits reproducibility and reliability. Overcoming these limitations is critical for advancing SERS toward practical, high-accuracy applications in biological, agricultural, and clinical settings. Herein, we present a streamlined strategy integrating minimal sample preparation, a low-cost SERS substrate with a tailored one-dimensional convolutional neural network (1D-CNN) for reproducible SERS quantification on uneven biological surfaces. Detection of thiabendazole (TBZ) on apple skin served as a representative model. We highlight the critical role of sample preparation and SERS substrate selection in minimizing spectral variation. Gold nanoparticles (AuNPs) reduced the enhancement non-uniformity compared with silver nanoparticles (AgNPs). Despite preprocessing, substantial intensity variation persisted (RSD: 47.99% for AuNPs; 80.50% for AgNPs). To address this, a customized 1D-CNN with decreasing kernel sizes (57–37–11–3) was compared with single-peak intensity calibration (SPIC), partial least squares regression, random forest, and fixed-kernel 1D-CNNs (3 and 5). The tailored 1D-CNN consistently outperformed all other models while maintaining a lightweight structure and short training time (242 s), enabling rapid retraining for in situ analysis under field-relevant conditions. It achieved accurate quantification under high signal variability, improving the R² for AuNP-enhanced TBZ quantification from 0.332 (SPIC) to 0.935. This work establishes a generalizable framework integrating machine learning with in situ SERS to mitigate surface irregularities, enabling accurate quantification on real-world biological tissues and advancing SERS toward field-deployable sensing applications.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 | 0,000 |
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 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 ».