AC.基于深度学习辅助传感库筛选策略的多癌挥发性有机化合物分析平台设计

本文提出了一种基于深度学习辅助的两步筛选策略，用于从设计的挥发性有机化合物（VOCs）传感库中筛选最优传感元件组合，以开发高性能传感器阵列。研究背景指出，传统传感器阵列的效率受限于传感元件数量和性能，而组合设计虽加速了化学库生成，但筛选具有卓越交叉响应性的元件仍具挑战性。研究目的是通过前馈神经网络-随机森林递归特征消除（FRR）算法，筛选出最少传感元件的最佳组合，实现高准确率的VOC识别。实验结果表明，该方法成功构建了8元件和10元件阵列，识别准确率均达100%，并基于智能手机的即时检验平台实现了癌症VOC模型的准确识别。结论证明了深度学习在并行传感平台传感元件组装中的有效性和实用性。