计算性点-of-care传感器的自主不确定性量化

计算性点-of-care(POC)传感器在紧急情况下、偏远地区和资源受限地区实现了快速、低成本和可接近诊断，弥补了缺乏集中医疗设施的地区。这些系统可以利用神经网络算法准确推断从快速诊断测试或传感器生成的信号中推断诊断。然而，基于神经网络的诊断模型可能产生幻觉并产生错误的预测，这会增加误诊和不准确临床决策的风险。为解决这一挑战，本文提出一种针对POC诊断开发的自主不确定性量化技术。作为我们的测试平台，我们使用一种用于快速POC诊断.lyme疾病的纸基计算性垂直流 assay(xVFA)平台，lyme疾病是全球最流行的ticks叮咬疾病。xVFA平台集成了一次性纸基 assay、手持光学读数器和基于神经网络的推断算法，提供在仅使用20微滴患者血清的情况下进行20分钟内的快速且具有成本效益的lyme疾病诊断。通过将蒙特卡洛 dropout(MCDO)基于不确定性量化方法整合到诊断管道中，我们识别并排除了具有高不确定性的错误预测，显著改善了xVFA在不依赖患者真实诊断信息的情况下的灵敏度和可靠性。使用新的患者样本进行盲测显示，诊断灵敏度从88.2%提高到95.7%，表明MCDO基于不确定性量化在增强神经网络驱动的计算POC感应系统的鲁棒性方面具有效果。