机器学习驱动光学显微镜：等离子体免疫传感器精准检测新冠病毒

COVID-19大流行凸显了对快速、可靠且成本效益高的病毒诊断工具的迫切需求。目前，基于等离子体纳米材料的生物传感平台（如局部表面等离子体共振LSPR）已被开发用于检测SARS-CoV-2病毒，这些平台利用纳米结构的独特光学特性，通过目标分子与功能化纳米结构结合时的LSPR光谱位移实现高灵敏度检测。然而，LSPR检测需要昂贵的光谱仪，且每种等离子体结构具有特定的LSPR波段，分析过程复杂，限制了其在临床或床旁检测中的广泛应用。其他光学检测技术如表面增强拉曼散射、荧光显微镜和椭偏仪等也依赖精密设备，难以在医院普及。

现有SARS-CoV-2免疫传感器采用安培法、电化学阻抗谱、比色法和场效应晶体管等方法，检测限通常在10^2至10^3 PFU/mL范围内，但临床样本中病毒颗粒数量因体液类型和感染阶段而异，呼吸道样本病毒载量可达10^1至10^6 PFU/mL。传统光学显微镜虽成本较低，但图像处理多基于手工算法（如RGB强度统计），缺乏空间和纹理信息。计算机视觉和机器学习算法（如卷积神经网络CNN）在特征提取方面具有优势，可自动化诊断流程。本研究旨在将机器学习与图像分析结合，利用等离子体免疫传感器（金纳米岛底物）实现SARS-CoV-2的高效检测，为资源有限环境提供可行方案。

研究内容

图1. 不同浓度SARS-CoV-2病毒阳性检测前后免疫传感器LSPR谱图

本研究首先通过LSPR光谱评估免疫传感器的性能。免疫传感器由金纳米岛（AuNI）底物功能化抗SARS-CoV-2 Spike S1蛋白的单克隆抗体制成，暴露于不同浓度的SARS-CoV-2病毒样本后，LSPR光谱发生红移，归因于病毒颗粒吸附导致的折射率变化。从LSPR波段提取了10个特征（如峰值波长、吸光度、半高宽等），并重点分析了峰值波长（Peak_λ）和峰值吸光度（Peak_abs）。结果显示，随着病毒浓度增加（从1×10^−4 PFU/mL至1×10^5 PFU/mL），Peak_λ发生显著位移，而空白对照（PBS缓冲液）和阴性对照（呼吸道合胞病毒RSV）的响应均低于检测限。基于IUPAC标准，LSPR的检测限估计为1×10^3 PFU/mL（Peak_λ的LoD为1.1 nm）。特异性测试表明，传感器对RSV无交叉反应。通过交互文档映射（IDMAP）对10维特征进行降维可视化，显示高浓度样本（≥1×10^3 PFU/mL）与低浓度样本及阴性对照在二维投影中可区分，但低浓度样本（如1×10^1 PFU/mL）与阴性区域重叠，表明LSPR在低浓度下存在局限性。该部分验证了传感器的基础性能，为后续图像分析提供对比基准。

图2. 使用计算机视觉和机器学习技术的图像分类过程示意图（“管道”）。

该部分核心是利用计算机视觉和机器学习对免疫传感器光学显微镜图像进行分类。共采集858张图像（400倍放大），覆盖SARS-CoV-2浓度梯度（1×10^−4至1×10^5 PFU/mL）、空白对照、RSV对照及传感器初始状态（Probe类）。比较了17种特征提取方法，包括5种手工方法（如LBP、GLCM）和12种CNN模型（如MobileNetV3_small、ResNet），结合4种ML分类器（LDA、KNN、SVM、RF），总计92个模型。多类分类任务中，MobileNetV3_small+SVM模型表现最佳，当仅区分浓度≥1 PFU/mL的样本时，准确率达91.6%，阴性类F1分数为96.9%。混淆矩阵和IDMAP可视化显示，浓度低于1 PFU/mL的样本易被误分类，而≥1 PFU/mL的样本可清晰区分。二进制分类（阳性类合并所有SARS-CoV-2浓度，阴性类合并对照）中，MobileNetV3_small+LDA模型准确率达96.5%。纹理分析表明，图像纹理而非颜色是分类主要贡献者，暗示吸附过程改变表面纹理。该平台检测限低至1 PFU/mL，较LSPR提高1000倍，且计算成本可接受（如MobileNetV3_small特征提取仅需0.18秒/图像）。

本研究成功演示了机器学习与光学显微镜图像分析结合在等离子体免疫传感器诊断中的有效性。平台通过分析传感器图像纹理变化，实现了对SARS-CoV-2病毒的低至1 PFU/mL的检测限，较传统LSPR光谱方法灵敏度提高1000倍。在92个图像分类模型中，CNN基模型（如MobileNetV3_small）优于手工方法，多类分类准确率达91.6%，二进制分类准确率达96.5%，且纹理而非颜色是区分关键。该方法的优势在于利用广泛可用的光学显微镜设备，降低了成本，并为床旁检测提供潜力。未来工作需扩展至临床真实样本验证，并探索智能手机图像或更深度CNN架构的应用。总体而言，此平台可推广至其他吸附基生物传感器，为传染病诊断提供通用、高效的解决方案。

原文链接：https://pubs.acs.org/doi/10.1021/acssensors.4c0345