Un réseau neuronal profond permet une détection robuste des biomarqueurs de la maladie en temps réel

Holger Schmidt, professeur distingué de génie électrique et informatique à l’UC Santa Cruz, et son groupe se concentrent depuis longtemps sur le développement de dispositifs uniques et très sensibles appelés puces optofluidiques pour détecter les biomarqueurs.

L’étudiant diplômé de Schmidt, Vahid Ganjalizadeh, a mené un effort pour utiliser l’apprentissage automatique pour améliorer leurs systèmes en améliorant sa capacité à classer avec précision les biomarqueurs. Le réseau de neurones profonds qu’il a développé classe les signaux de particules avec une précision de 99,8 % en temps réel, sur un système relativement bon marché et portable pour les applications au point de service, comme le montre un nouvel article dans Rapports scientifiques sur la nature.

Lorsque vous amenez des détecteurs de biomarqueurs sur le terrain ou dans un lieu de soins tel qu’une clinique de santé, les signaux reçus par les capteurs peuvent ne pas être d’aussi haute qualité que ceux d’un laboratoire ou d’un environnement contrôlé. Cela peut être dû à divers facteurs, tels que la nécessité d’utiliser des puces moins chères pour réduire les coûts, ou des caractéristiques environnementales telles que la température et l’humidité.

Pour relever les défis d’un signal faible, Schmidt et son équipe ont développé un réseau neuronal profond qui peut identifier la source de ce signal faible avec une grande confiance. Les chercheurs ont entraîné le réseau neuronal avec des signaux d’entraînement connus, lui apprenant à reconnaître les variations potentielles qu’il pouvait voir, afin qu’il puisse reconnaître des modèles et identifier de nouveaux signaux avec une très grande précision.

Tout d’abord, une approche d’analyse par ondelettes en grappes parallèles (PCWA) conçue dans le laboratoire de Schmidt détecte la présence d’un signal. Ensuite, le réseau de neurones traite le signal potentiellement faible ou bruyant, en identifiant sa source. Ce système fonctionne en temps réel, de sorte que les utilisateurs peuvent recevoir les résultats en une fraction de seconde.

“Il s’agit de tirer le meilleur parti de signaux de qualité éventuellement médiocre, et de le faire très rapidement et efficacement”, a déclaré Schmidt.

Une version plus petite du modèle de réseau neuronal peut fonctionner sur des appareils portables. Dans l’article, les chercheurs exécutent le système sur une carte Google Coral Dev, un dispositif de pointe relativement bon marché pour l’exécution accélérée d’algorithmes d’intelligence artificielle. Cela signifie que le système nécessite également moins de puissance pour exécuter le traitement par rapport à d’autres techniques.

“Contrairement à certaines recherches qui nécessitent de fonctionner sur des superordinateurs pour effectuer une détection de haute précision, nous avons prouvé que même un appareil compact, portable et relativement bon marché peut faire le travail pour nous”, a déclaré Ganjalizadeh. “Cela le rend disponible, faisable et portable pour les applications au point de service.”

L’ensemble du système est conçu pour être utilisé entièrement localement, ce qui signifie que le traitement des données peut se faire sans accès à Internet, contrairement à d’autres systèmes qui reposent sur le cloud computing. Cela offre également un avantage en matière de sécurité des données, car les résultats peuvent être produits sans qu’il soit nécessaire de partager des données avec un fournisseur de serveur cloud.

Il est également conçu pour pouvoir donner des résultats sur un appareil mobile, éliminant ainsi le besoin d’apporter un ordinateur portable sur le terrain.

“Vous pouvez construire un système plus robuste que vous pourriez déployer dans des régions sous-financées ou moins développées, et cela fonctionne toujours”, a déclaré Schmidt.

Ce système amélioré fonctionnera pour tous les autres biomarqueurs que les systèmes du laboratoire de Schmidt ont été utilisés pour détecter dans le passé, tels que les biomarqueurs COVID-19, Ebola, la grippe et le cancer. Bien qu’ils soient actuellement axés sur des applications médicales, le système pourrait potentiellement être adapté pour la détection de tout type de signal.

Pour pousser la technologie plus loin, Schmidt et les membres de son laboratoire prévoient d’ajouter encore plus de capacités de traitement dynamique du signal à leurs appareils. Cela simplifiera le système et combinera les techniques de traitement nécessaires pour détecter les signaux à la fois à des concentrations faibles et élevées de molécules. L’équipe travaille également à intégrer des parties discrètes de la configuration dans la conception intégrée de la puce optofluidique.