Совершенствование биосенсоров с помощью машинного обучения

Хемометрика играет важнейшую роль в обнаружении, анализе и диагностике с помощью биосенсоров. В настоящее время машинное обучение как раздел искусственного интеллекта достигло впечатляющих успехов. Однако современные методы машинного обучения, особенно глубокое обучение, широко известное применением в анализе изображений, распознавании лиц и речи, пока недостаточно активно используются специалистами в области биосенсоров. В настоящем обзоре систематически рассматриваются возможности применения машинного обучения в биосенсорах. Преимущества и недостатки наиболее распространённых алгоритмов обобщены с позиций анализа данных сенсорных систем. Особое внимание уделено методам глубокого обучения, включая свёрточные (CNN) и рекуррентные (RNN) нейронные сети. Подробно рассмотрены электрохимические биосенсоры, носимая электроника, SERS-биосенсоры и другие биосенсоры на основе спектральных методов, а также флуоресцентные и колориметрические биосенсоры с поддержкой машинного обучения. Кроме того, представлены сети биосенсоров и слияние данных, полученных с помощью нескольких биосенсоров. Обзор призван объединить методы машинного обучения с биосенсорами и значительно расширить возможности хемометрии в обнаружении, анализе и диагностике.