Comparaison des cadres de régression d'apprentissage automatique et d'apprentissage profond pour une prédiction précise de la force diélectrophorétique

Rapports scientifiques volume 12, Numéro d'article : 11971 (2022) Citer cet article

4201 Accès

2 citations

1 Altmétrique

Détails des métriques

Un cadre de détection intelligent utilisant les architectures Machine Learning (ML) et Deep Learning (DL) pour quantifier avec précision la force diélectrophorétique invoquée sur les microparticules dans un dispositif de détection DEP basé sur une électrode textile est rapporté. La précision de prédiction et la capacité de généralisation du cadre ont été validées à l'aide de résultats expérimentaux. Des images de l'alignement des chaînes de perles à différentes tensions d'entrée ont été utilisées pour créer des modèles de régression profonde utilisant des architectures ML et CNN modifiées qui peuvent corréler les modèles d'alignement des chaînes de perles des cellules de Saccharomyces cerevisiae (levure) et des microbilles de polystyrène à la force DEP. Divers modèles ML tels que K-Nearest Neighbor, Support Vector Machine, Random Forest, Neural Networks et Linear Regression ainsi que des modèles DL tels que les architectures Convolutional Neural Network (CNN) d'AlexNet, ResNet-50, MobileNetV2 et GoogLeNet ont été analysés. afin de construire un cadre de régression efficace pour estimer la force induite sur les cellules de levure et les microbilles. L'efficacité des modèles a été évaluée en utilisant l'erreur absolue moyenne, l'erreur quadratique moyenne relative, l'erreur quadratique moyenne, le R au carré et l'erreur quadratique moyenne (RMSE) comme mesures d'évaluation. ResNet-50 avec RMSPROP a donné les meilleures performances, avec un RMSE de validation de 0,0918 sur cellules de levure tandis qu'AlexNet avec l'optimiseur ADAM a donné les meilleures performances, avec un RMSE de validation de 0,1745 sur microbilles. Cela fournit une base pour des études ultérieures sur l’application de l’apprentissage profond dans les dispositifs Lab-on-Chip assistés par DEP.

Des outils comme DL et ML font partie intégrante de l’intelligence artificielle1,2,3. Le ML pour l'analyse d'images implique généralement l'extraction de caractéristiques importantes d'une image et la formation d'un modèle d'apprentissage automatique4. L'apprentissage automatique peut être très efficace lorsque les caractéristiques extraites représentent distinctement une image particulière. Les images doivent être converties en vecteurs de caractéristiques et former un modèle4,5,6. sont des exemples d'approches où l'apprentissage automatique a été utilisé pour prédire la présence, l'absence ou la possibilité d'un événement dans des images. Cependant, l’extraction de caractéristiques significatives à partir d’images complexes est complexe. Alternativement, l’apprentissage profond ne dépend pas d’une fonctionnalité d’entrée. Au lieu de cela, les modèles DL identifient les caractéristiques significatives des images traitées et les classent en fonction des caractéristiques identifiées. Les cartes de caractéristiques extraites grâce à l'apprentissage profond de la tomodensitométrie (TDM), de l'imagerie par résonance magnétique (IRM), de la tomographie par émission de positons (TEP), de la mammographie, de l'échographie et de l'histopathologie fournissent des informations précieuses 4,7,8. En biologie cellulaire, les approches basées sur la DL sont principalement adoptées pour détecter les changements dans la morphologie cellulaire et les corréler aux mécanismes régissant la réponse aux médicaments7,8. Les images du cerveau, de la prostate, de la rétine et des poumons sont souvent combinées à des algorithmes d’apprentissage profond pour prédire les conditions médicales. U-Net, ResNet et VGG sont les réseaux dérivés de réseaux neuronaux convolutifs les plus fréquemment utilisés pour les tâches de segmentation et de classification d'images médicales. Récemment, l’apprentissage par transfert et les réseaux dérivés du GAN ont été largement appliqués dans les études sur le COVID-19. Bien que la formation DL implique un traitement de données intense et une longue durée de formation, elle donne des prédictions précises lorsqu'elle est utilisée avec un GPU hautes performances et des données étiquetées. Dans cette étude, nous avons conçu des modèles utilisant à la fois des approches d’apprentissage automatique et d’apprentissage profond pour estimer l’ampleur de la force diélectrophorétique résultant de l’alignement des microparticules dans un dispositif au point d’intervention.

L'application du DEP dans les dispositifs de détection au point d'intervention exige deux exigences importantes : (1) un dispositif physique à basse tension (< 10 tension) (2) un système intelligent capable de corréler la formation de chaînes de perles de microparticules en force diélectrophorétique.

La force diélectrophorétique (\({F}_{\mathrm{DEP}}\)) invoquée sur une microparticule peut être directement corrélée à ses changements de propriétés diélectriques (équation 1). La force DEP est également proportionnelle à l'intensité du champ électrique, à la dimension des particules et à la conductivité du milieu9,10,11,12. En pratique, l'alignement des particules par rapport aux électrodes, à une tension et une fréquence particulières, est considéré comme un indicateur de la force DEP. Bien que l’alignement des particules diffère d’une expérience à l’autre, certaines caractéristiques des agrégats de particules sont dominantes et uniques. \({F}_{\mathrm{DEP}}\) exercé sur les microparticules les entraîne dans des assemblages de chaînes de perles qui seront finalement alignées le long du champ électrique13,14. Par exemple, le nombre de particules dans une chaîne de perles à une tension appliquée s’est avéré relativement constant. Cette tendance a été confirmée par plusieurs chercheurs dans le passé. Dans une expérience avec des billes PS de 5 µm15, des chaînes de perles comportant 10 à 12 billes se sont formées pour un potentiel appliqué de 15 Vpp à 200 kHz. De même, des billes PS de 10 µm formaient des chaînes de perles avec 7 à 12 billes à 20 Vpp à 20 MHz dans un tampon à faible conductivité (1,8 × 10−4 S/m)13. Dans 16 cas, une DEP négative des billes PS a été observée lorsqu'une tension de 3, 8 Vpp de fréquence de 480 kHz a été appliquée, formant une chaîne de perles longue de 6 à 7 billes. Des études similaires sur des cellules de levure ont été rapportées lorsque la tension (3,7 Vpp) à une fréquence de champ de 580 kHz présentait une DEP positive, le nombre de particules agrégées était lié à la tension appliquée16,17.