Enfekte hastalarda viral yük profillerinin süratli ve merkezi olmayan ölçümü, klinik şiddetin değerlendirilmesi ve uygun tedavi stratejilerinin uyarlanması açısından dirimsel öneme haizdir. Mikroskobik görüntüleme, etiketsiz ve amplifikasyonsuz kantitatif teşhis için potansiyel sunmasına karşın, ufak boyut (~100 nm çapında) ve düşük kırılma indeksi (N Biyopartiküllerin ortalama ∼1,5’i, doğru tahminlere ulaşmada zorluklar ortaya çıkarır ve netice olarak tespit limitini (LoD) artırır. Bu çalışmada, nano ölçekli biyopartikül sayma doğruluğunu çoğaltmak için Gires-Tournois (GT) idrak etme platformlarını derin öğrenme algoritmalarıyla birleştiren yeni bir sinerjistik biyoalgılama yaklaşımı olan DeepGT’yi sunuyoruz. GT idrak etme platformu, fotonik bir rezonatör görevi görerek, parlak alan mikroskobunda biyopartikül görünürlüğünü artırır ve kromatik kontrastı maksimuma çıkarır. Genişletilmiş evrişimli sinir ağı mimarisine haiz bir arka uç kullanarak DeepGT, yapaylıkları ve renk sapmalarını etkili bir halde iyileştirir ve kaide tabanlı algoritmalara (MAE ∼ 13,47) kıyasla parçacık tahmin doğruluğunu (1596 görüntüde MAE ∼ 2,37) mühim seviyede artırır. Bilhassa görünmez parçacıkların (mesela iki yada üç parçacık) tespitindeki gelişmiş doğruluk, 138 pg ml’lik bir LoD’ye olanak sağlar−1asemptomatik vakalardan ciddi vakalara kadar enfeksiyonun klinik spektrumu içindeki düşük viral konsantrasyon aralıklarında dinamik bir doğrusal korelasyonu kolaylaştırır. Geçirme öğreniminden yararlanan ve uzamsal çözünürlük yaklaşımı yerine kromatometri tabanlı bir stratejiye dayanan DeepGT, mikroskopi sisteminin görünür ışıkta (< 258 nm) minimum kırınım sınırından daha ufak çeşitli boyutlardaki parçacıkları çözümleme ederken muhteşem duyarlılık sergiliyor. DeepGT yaklaşımı, ortaya çıkan virüslerin erken taranması ve önceliklendirilmesi, tanılamadaki maliyetlerin ve vakit gereksinimlerinin azaltılması mevzusunda ümit vaat ediyor.
Source: www.sciencedirect.com