.
Sistemas sofisticados para a detecção de biomarcadores – moléculas como DNA ou proteínas que indicam a presença de uma doença – são cruciais para dispositivos de diagnóstico e monitoramento de doenças em tempo real.
Holger Schmidt, distinto professor de engenharia elétrica e de computação na UC Santa Cruz, e seu grupo há muito se concentram no desenvolvimento de dispositivos exclusivos e altamente sensíveis chamados chips optofluídicos para detectar biomarcadores.
O aluno de pós-graduação de Schmidt, Vahid Ganjalizadeh, liderou um esforço para usar o aprendizado de máquina para aprimorar seus sistemas, melhorando sua capacidade de classificar biomarcadores com precisão. A rede neural profunda que ele desenvolveu classifica os sinais de partículas com 99,8% de precisão em tempo real, em um sistema relativamente barato e portátil para aplicações no local de atendimento, conforme mostrado em um novo artigo em Relatórios Científicos da Natureza.
Ao levar detectores de biomarcadores para o campo ou para um local de atendimento, como uma clínica de saúde, os sinais recebidos pelos sensores podem não ser de alta qualidade como os de um laboratório ou ambiente controlado. Isso pode ser devido a uma variedade de fatores, como a necessidade de usar chips mais baratos para reduzir custos ou características ambientais, como temperatura e umidade.
Para enfrentar os desafios de um sinal fraco, Schmidt e sua equipe desenvolveram uma rede neural profunda que pode identificar a fonte desse sinal fraco com alta confiança. Os pesquisadores treinaram a rede neural com sinais de treinamento conhecidos, ensinando-a a reconhecer as possíveis variações que podia ver, para que pudesse reconhecer padrões e identificar novos sinais com altíssima precisão.
Primeiro, uma abordagem de análise de wavelet de agrupamento paralelo (PCWA) projetada no laboratório de Schmidt detecta a presença de um sinal. Em seguida, a rede neural processa o sinal potencialmente fraco ou ruidoso, identificando sua origem. Este sistema funciona em tempo real, para que os usuários recebam os resultados em uma fração de segundo.
“Trata-se de aproveitar ao máximo sinais possivelmente de baixa qualidade, e fazer isso de forma muito rápida e eficiente”, disse Schmidt.
Uma versão menor do modelo de rede neural pode ser executada em dispositivos portáteis. No artigo, os pesquisadores executam o sistema em uma placa Google Coral Dev, um dispositivo de ponta relativamente barato para execução acelerada de algoritmos de inteligência artificial. Isso significa que o sistema também requer menos energia para executar o processamento em comparação com outras técnicas.
“Ao contrário de algumas pesquisas que exigem execução em supercomputadores para fazer detecção de alta precisão, provamos que mesmo um dispositivo compacto, portátil e relativamente barato pode fazer o trabalho para nós”, disse Ganjalizadeh. “Ele o torna disponível, viável e portátil para aplicações no local de atendimento.”
Todo o sistema é projetado para ser usado totalmente localmente, ou seja, o processamento dos dados pode acontecer sem acesso à internet, ao contrário de outros sistemas que dependem de computação em nuvem. Isso também oferece uma vantagem de segurança de dados, porque os resultados podem ser produzidos sem a necessidade de compartilhar dados com um provedor de servidor em nuvem.
Ele também foi projetado para fornecer resultados em um dispositivo móvel, eliminando a necessidade de trazer um laptop para o campo.
“Você pode construir um sistema mais robusto que você pode levar para regiões com poucos recursos ou menos desenvolvidas, e ainda funciona”, disse Schmidt.
Esse sistema aprimorado funcionará para qualquer outro biomarcador que os sistemas do laboratório de Schmidt tenham usado para detectar no passado, como COVID-19, Ebola, gripe e biomarcadores de câncer. Embora estejam atualmente focados em aplicações médicas, o sistema pode ser adaptado para a detecção de qualquer tipo de sinal.
Para impulsionar ainda mais a tecnologia, Schmidt e os membros de seu laboratório planejam adicionar recursos de processamento de sinal ainda mais dinâmicos a seus dispositivos. Isso simplificará o sistema e combinará as técnicas de processamento necessárias para detectar sinais em concentrações baixas e altas de moléculas. A equipe também está trabalhando para trazer partes discretas da configuração para o design integrado do chip optofluídico.
.
