"Представьте, что вы можете обнаружить ранние признаки таких заболеваний, как болезнь Альцгеймера или COVID-19, просто посветив на каплю жидкости или образец ткани", - сказал Зиян Ван, докторант по электротехнике и вычислительной технике в Rice, который является первым автором исследования, опубликованного в ACS Nano. "Наша работа делает это возможным, обучая компьютеры тому, как лучше "считывать" световой сигнал, рассеянный крошечными молекулами".

Каждый материал или молекула взаимодействует со светом уникальным образом, создавая отчетливый узор - как отпечаток пальца. Оптическая спектроскопия, которая заключается в воздействии лазера на материал для наблюдения за тем, как свет взаимодействует с ним, широко используется в химии, материаловедении и медицине. Однако интерпретация спектральных данных может быть сложной и отнимать много времени, особенно когда различия между образцами незначительны. Новый алгоритм, называемый логистической регрессией с эластичной сетью, чувствительной к пикам, или PSE-LR, специально разработан для анализа данных, основанных на освещении.

"Оптические спектры ткани или другого биологического образца могут многое рассказать о том, что происходит внутри организма", - сказал Ван. "Это важно, потому что более быстрое и точное выявление заболеваний может привести к более качественному лечению и спасти жизни. Помимо здоровья, наш метод также может помочь ученым разобраться в новых материалах, что приведет к созданию более интеллектуальных датчиков и диагностических устройств меньшего размера".

PSE-LR может не только точно классифицировать различные образцы, но и прозрачен в принятии решений - то, в чем многие продвинутые модели ML не особенно хороши. PSE-LR предоставляет "карту важности признаков", которая точно показывает, какие части спектра повлияли на принятие решения о классификации, облегчая интерпретацию результатов, их проверку и принятие мер в соответствии с ними.

"Наш алгоритм был разработан таким образом, чтобы сосредоточиться на наиболее важных частях сигнала - наиболее значимых пиках", - сказал Ван, сравнив PSE-LR с "детективом, который учится находить улики, скрытые в световых сигналах".

Исследователи протестировали PSE-LR на других моделях ML, показав улучшенную производительность, особенно при выявлении тонких или перекрывающихся спектральных характеристик.

"В большинстве моделей либо не хватает мельчайших деталей, либо они слишком сложны для понимания", - сказал Ван. "Мы стремились исправить это, создав что-то одновременно умное и объяснимое".

Модель также хорошо зарекомендовала себя в ряде тестов, оценивающих ее эффективность в реальных условиях, включая обнаружение сверхнизких концентраций спайкового белка SARS-CoV-2 в образцах жидкости, идентификацию нейропротекторных растворов в мозговой ткани мыши, классификацию образцов с болезнью Альцгеймера и различение двумерных полупроводников.

"Наш инструмент способен анализировать данные, основанные на освещении, для получения очень тонких сигналов, которые обычно трудно уловить традиционными методами", - сказал Шэнси Хуан, доцент кафедры электротехники и вычислительной техники, материаловедения и наноинженерии, который является автором исследования.

Новый алгоритм мог бы позволить разрабатывать новые средства диагностики, биосенсоры или наноустройства.

"Эти результаты могут помочь преобразовать медицинскую диагностику и материаловедение, приблизив нас к миру, где интеллектуальные технологии помогают быстрее и эффективнее выявлять проблемы со здоровьем и реагировать на них", - сказал Ван.

Исследование было поддержано Национальным научным фондом (2246564, 1934977), Национальными институтами здравоохранения (AG077016-02) и Фондом Уэлча (C-2144). Ответственность за содержание настоящего документа лежит исключительно на авторах и не обязательно отражает официальную точку зрения спонсоров.