Περίληψη άρθρου: 
Ερευνητές του Πανεπιστημίου της Καλιφόρνια Σάντα Κρουζ ανέπτυξαν ένα βαθύ νευρωνικό δίκτυο που μπορεί να ανιχνεύει βιοδείκτες, όπως DNA ή πρωτεΐνες, με ακρίβεια 99,8% σε πραγματικό χρόνο σε ένα φορητό και σχετικά φθηνό σύστημα point-of-care. Το σύστημα έχει σχεδιαστεί για να λειτουργεί τοπικά χωρίς πρόσβαση στο διαδίκτυο και σε κινητές συσκευές, γεγονός που το καθιστά ιδανικό για χρήση σε περιοχές με χαμηλό επίπεδο πόρων. Η τεχνολογία θα μπορούσε να χρησιμοποιηθεί για κάθε είδους ανίχνευση σήματος και οι ερευνητές σχεδιάζουν να προσθέσουν στις συσκευές τους πιο δυναμικές δυνατότητες επεξεργασίας σήματος.

Κύρια σημεία του άρθρου:

• Ο Holger Schmidt και η ομάδα του ανέπτυξαν ένα βαθύ νευρωνικό δίκτυο που μπορεί να ταξινομήσει σήματα σωματιδίων με ακρίβεια 99,8% σε πραγματικό χρόνο.
• Το σύστημα έχει σχεδιαστεί για να χρησιμοποιείται εντελώς τοπικά, πράγμα που σημαίνει ότι η επεξεργασία των δεδομένων μπορεί να γίνει χωρίς πρόσβαση στο διαδίκτυο.
• Είναι επίσης σχεδιασμένο ώστε να μπορεί να δίνει αποτελέσματα σε μια κινητή συσκευή, εξαλείφοντας την ανάγκη μεταφοράς φορητού υπολογιστή στο πεδίο.
• Το σύστημα μπορεί να χρησιμοποιηθεί για την ανίχνευση βιοδεικτών όπως το COVID-19, ο Έμπολα, η γρίπη και ο καρκίνος.
• Η ομάδα εργάζεται επίσης για να φέρει διακριτά μέρη της εγκατάστασης στον ολοκληρωμένο σχεδιασμό του οπτορευστικού τσιπ.

Αναλυτικά το άρθρο:
Επιστήμονες του Πανεπιστημίου της Καλιφόρνια στη Σάντα Κρουζ ανέπτυξαν ένα σύστημα βαθιάς μάθησης που μπορεί να ταξινομήσει βιοδείκτες με ακρίβεια σχεδόν 100%, σε μια φθηνή και φορητή συσκευή point-of-care. Οι βιοδείκτες είναι μόρια όπως το DNA ή οι πρωτεΐνες που υποδεικνύουν την παρουσία ασθένειας. Η ομάδα χρησιμοποίησε ένα σύστημα μηχανικής μάθησης για να βελτιώσει την ακρίβεια των οπτορευστικών τσιπ τους, τα οποία ανιχνεύουν βιοδείκτες. Οι συνθήκες πεδίου, όπως οι κλινικές, μπορεί να παρέχουν σήματα χαμηλότερης ποιότητας από ό,τι τα εργαστηριακά περιβάλλοντα, λόγω παραγόντων όπως η ανάγκη για φθηνότερα τσιπ, η θερμοκρασία και η υγρασία.

Προκειμένου να αντιμετωπίσουν το πρόβλημα του σήματος χαμηλής ποιότητας, οι ερευνητές του Πανεπιστημίου της Καλιφόρνια στη Σάντα Κρουζ ανέπτυξαν ένα βαθύ νευρωνικό δίκτυο που μπορεί να εντοπίζει την πηγή ασθενών σημάτων με μεγάλη ακρίβεια. Το σύστημα χρησιμοποιεί μια παράλληλη ανάλυση wavelet σε συστάδες για να ανιχνεύσει τα σήματα και στη συνέχεια τα επεξεργάζεται σε πραγματικό χρόνο για να εντοπίσει την πηγή τους. Το σύστημα εκπαιδεύτηκε χρησιμοποιώντας γνωστά σήματα, επιτρέποντάς του να αναγνωρίζει μοτίβα με μεγάλη ακρίβεια. Μια μικρότερη έκδοση του νευρωνικού δικτύου μπορεί να τρέξει σε φορητές συσκευές, όπως η πλακέτα Coral Dev της Google. Οι ερευνητές πιστεύουν ότι αυτό το καθιστά κατάλληλο για εφαρμογές point-of-care.

Συνεπώς, ανέπτυξαν μια φορητή συσκευή για την ανίχνευση βιοδεικτών σε δείγματα αίματος. Το σύστημα, το οποίο προσαρμόζεται σε μια άκρη του δακτύλου, μπορεί να αναλύει δείγματα χωρίς σύνδεση στο διαδίκτυο και να μεταδίδει τα αποτελέσματα σε ένα κινητό τηλέφωνο. Οι ερευνητές χρησιμοποίησαν τεχνολογία οπτορευστικών τσιπ και αλγορίθμους μηχανικής μάθησης για να δημιουργήσουν τη συσκευή, η οποία μπορεί να ανιχνεύσει μια ποικιλία βιοδεικτών, όπως αυτούς που σχετίζονται με τον καρκίνο ή τις μολυσματικές ασθένειες. Μέχρι στιγμής έχει δοκιμαστεί με δείγματα Ebola και Covid-19. Τα δεδομένα που συλλέγονται επεξεργάζονται τοπικά αντί να μεταφορτώνονται σε cloud, γεγονός που βελτιώνει την ασφάλεια.

Πηγή: Deep neural network provides robust detection of disease biomarkers in real time