Confronto dei framework di regressione di machine learning e deep learning per una previsione accurata della forza dielettroforetica

Rapporti scientifici volume 12, numero articolo: 11971 (2022) Citare questo articolo

4201 accessi

2 citazioni

1 Altmetrico

Dettagli sulle metriche

Viene riportato un quadro di rilevamento intelligente che utilizza architetture di Machine Learning (ML) e Deep Learning (DL) per quantificare con precisione la forza dielettroforetica invocata sulle microparticelle in un dispositivo di rilevamento DEP basato su elettrodi tessili. L'accuratezza della previsione e la capacità di generalizzazione del quadro sono state convalidate utilizzando risultati sperimentali. Immagini dell'allineamento della catena di perle a diverse tensioni di ingresso sono state utilizzate per costruire modelli di regressione profonda utilizzando architetture ML e CNN modificate in grado di correlare i modelli di allineamento della catena di perle delle cellule di Saccharomyces cerevisiae (lievito) e delle microsfere di polistirene alla forza DEP. Sono stati analizzati vari modelli ML come K-Nearest Neighbor, Support Vector Machine, Random Forest, Neural Networks e Linear Regression insieme a modelli DL come le architetture Convolutional Neural Network (CNN) di AlexNet, ResNet-50, MobileNetV2 e GoogLeNet al fine di costruire un quadro di regressione efficace per stimare la forza indotta su cellule e microsfere di lievito. L'efficienza dei modelli è stata valutata utilizzando l'errore assoluto medio, l'errore medio assoluto, l'errore quadratico medio, l'R quadrato e l'errore quadratico medio (RMSE) come metriche di valutazione. ResNet-50 con RMSPROP ha dato le migliori prestazioni, con un RMSE di validazione di 0,0918 su cellule di lievito mentre AlexNet con ADAM ottimizzatore ha dato le migliori prestazioni, con un RMSE di validazione di 0,1745 su microsfere. Ciò fornisce una base per ulteriori studi sull’applicazione del deep learning nei dispositivi Lab-on-Chip assistiti da DEP.

Strumenti come DL e ML sono parte integrante dell'intelligenza artificiale1,2,3. Il ML per l'analisi delle immagini comporta in genere l'estrazione di funzionalità importanti da un'immagine e l'addestramento di un modello di apprendimento automatico4. L'apprendimento automatico può essere altamente efficiente quando le caratteristiche estratte rappresentano distintamente un'immagine particolare. Le immagini devono essere convertite in vettori di funzionalità e addestrare un modello4,5,6. sono esempi di approcci in cui l'apprendimento automatico è stato utilizzato per prevedere la presenza, l'assenza o la possibilità di un evento nelle immagini. Tuttavia, l’estrazione di caratteristiche significative da immagini complesse è complessa. In alternativa, il deep learning non dipende da una funzionalità di input. Piuttosto, i modelli DL identificano caratteristiche significative dalle immagini elaborate e le classificano in base alle caratteristiche identificate. Le mappe delle caratteristiche estratte attraverso il deep learning dalla tomografia computerizzata (CT), dalla risonanza magnetica (MRI), dalla tomografia a emissione di positroni (PET), dalla mammografia, dagli ultrasuoni e dall'istopatologia, forniscono informazioni preziose 4,7,8. Nella biologia cellulare, gli approcci basati su DL vengono adottati principalmente per rilevare cambiamenti nella morfologia cellulare e correlarli ai meccanismi che governano la risposta ai farmaci7,8. Immagini di cervello, prostata, retina e polmoni sono spesso combinate con algoritmi di deep learning per prevedere le condizioni mediche. U-Net, ResNet e VGG sono le reti derivate da reti neurali convoluzionali più frequentemente utilizzate per attività di segmentazione e classificazione di immagini mediche. Recentemente, il transfer learning e le reti derivate da GAN sono stati ampiamente applicati negli studi sul COVID-19. Sebbene l'addestramento DL comporti un'intensa elaborazione dei dati e lunghi tempi di addestramento, fornisce previsioni accurate se utilizzato con GPU ad alte prestazioni e dati etichettati. In questo studio, abbiamo progettato modelli utilizzando sia approcci di machine learning che di deep learning per stimare l'entità della forza dielettroforetica derivante dall'allineamento delle microparticelle in un dispositivo point-of-care.

L'applicazione del DEP nei dispositivi di rilevamento del punto di cura richiede due requisiti importanti: (1) un dispositivo fisico a bassa tensione (< 10 voltaggio) (2) un sistema intelligente in grado di correlare la formazione di catene di perle di microparticelle nella forza dielettroforetica.

La forza dielettroforetica (\({F}_{\mathrm{DEP}}\)) invocata su una microparticella può essere direttamente correlata ai cambiamenti delle sue proprietà dielettriche (Eq. 1). La forza DEP è anche proporzionale all'intensità del campo elettrico, alla dimensione delle particelle e alla conduttività del mezzo9,10,11,12. In pratica, l'allineamento delle particelle rispetto agli elettrodi, ad una particolare tensione e frequenza viene preso come indicatore della forza DEP. Sebbene l'allineamento delle particelle differisca da esperimento a esperimento, alcune delle caratteristiche degli aggregati di particelle sono dominanti e uniche. \({F}_{\mathrm{DEP}}\) esercitato sulle microparticelle le spinge in catene di perle che alla fine saranno allineate lungo il campo elettrico13,14. Ad esempio, è stato riscontrato che il numero di particelle in una catena di perle a una tensione applicata è relativamente costante. Il modello è stato confermato da diversi ricercatori in passato. In un esperimento con perline PS da 5 µm15, si sono formate catene di perle con 10-12 perline per un potenziale applicato di 15 Vpp a 200 kHz. Allo stesso modo, le sfere PS da 10 µm formavano catene di perle con 7–12 sfere a 20 Vpp a 20 MHz in un buffer a bassa conduttività (1,8 × 10−4 S/m)13. In16 DEP negativo delle sfere PS è stato osservato quando è stata applicata una tensione di 3,8 Vpp con una frequenza di 480 kHz, formando una catena di perle lunga 6-7 sfere. Studi simili su cellule di lievito sono stati riportati quando il voltaggio (3,7 Vpp) a una frequenza di campo di 580 kHz mostrava DEP positivo; si è scoperto che il numero di particelle aggregate era correlato al voltaggio applicato16,17.