计算性即时检测流程与不确定性量化。信用：UCLA Ozcan实验室。
计算性即时检测传感器通过使患者能够在集中式医疗机构外进行快速测试，可以显著改善诊断的可及性。这些测试依赖机器学习模型进行诊断预测，但这类推理模型容易产生"幻觉"并可能导致错误结果。因此，其可靠性有限在一定程度上阻碍了计算传感器在医疗环境中的广泛应用。
为解决这一问题，加州大学洛杉矶分校(UCLA)研究人员开发了一种不确定性量化框架，能够自主识别并排除计算性即时检测诊断平台中不可靠的神经网络预测。作为测试平台，他们使用了基于纸张的垂直流测定方法，用于快速诊断莱姆病——全球最常见的蜱传疾病。
检测工作原理
垂直流测定平台结合了一次性纸质检测、手持智能手机光学读取器和深度学习推理算法，仅需一滴患者血清即可在20分钟内提供莱姆病诊断结果。与仅显示单条测试线的传统单分析物快速检测不同，垂直流测定包含25个点的多重面板，每个点都涂有能特异性结合针对莱姆病暴露产生的抗体的蛋白质。
激活后，该检测产生丰富的基于图像的信号模式，由神经网络进行解释，得出二元的莱姆病阳性或阴性结果。
预测不确定性测量
为了提高该垂直流测定平台的可靠性，UCLA研究人员开发了基于蒙特卡罗丢弃法(Monte Carlo dropout, MCDO)的不确定性量化框架。在此框架中，每个样本不仅由基础诊断神经网络处理，还由1,000个额外模型(称为MCDO模型)处理。这些模型与基础模型共享相同的架构和训练权重，但在推理过程中，其神经元的随机子集会暂时停用，产生1,000个额外预测的分布。
通过将此分布与基础疾病预测进行比较，研究人员引入了一个称为"不确定性品质因数"(uncertainty figure of merit)的评分，该评分能自主量化每个诊断结果的可靠性。
品质因数值较低的测试被视为不可靠，并自动标记为"勿用"。此类测试将被排除在临床决策之外。品质因数值较高的测试被标记为"可信"，其诊断预测可以报告给临床医生用于后续护理和治疗。
提高莱姆病检测灵敏度
通过这种基于MCDO的方法，研究人员特别致力于减少假阴性预测——即莱姆病患者被错误诊断为莱姆病阴性的情况。由于检测灵敏度不足而漏诊的莱姆病感染可能导致严重的生理和神经并发症，这些并发症可能会持续数月甚至数年。
诊断灵敏度衡量测试检测阳性病例并避免假阴性预测的能力：灵敏度越高，漏诊的感染越少。在对新患者样本进行的双盲测试中，应用不确定性量化流程将垂直流测定的灵敏度从88.2%提高到95.7%，同时保持了100%的特异性。
监督该研究的Aydogan Ozcan教授表示："我们的框架以完全自主的方式识别不可靠的测试结果，无需知道患者的真实诊断。"
Ozcan补充道："蒙特卡罗丢弃法特别适合即时检测环境，因为它以非常低的计算成本提供有意义的可靠性估计，不需要额外的内存或硬件。"
诊断的广泛应用前景
该团队使用来自两个独立生物样本库的样本验证了该框架，包括莱姆病生物样本库和美国疾病控制与预防中心(CDC)，证明该框架可以推广到不同的采集地点和时间段。
尽管此处演示的是莱姆病，但该方法设计用于与任何由神经网络处理的快速诊断测试一起使用，包括其他传染病、心血管疾病和各种临床生物标志物检测。
该研究的第一作者Artem Goncharov博士表示："我们基于MCDO的不确定性量化流程可以与任何依赖基于神经网络推理模型的计算性即时检测传感器集成。"
出版详情
Artem Goncharov等，《计算性即时检测传感器的自主不确定性量化》，《ACS Nano》(2026)。DOI: 10.1021/acsnano.6c06616
期刊信息：《ACS Nano》
关键概念
神经科学、神经计算与人工智能
蒙特卡罗方法
由加州大学洛杉矶分校(UCLA)工程技术研究所提供
【全文结束】