Empoderando biosensores electroquímicos con IA: superando interferencias para la detección precisa de dopamina en muestras complejas

Dos problemas significativos en biosensores que no pueden ser resueltos por métodos analíticos convencionales son la selectividad entre posibles moléculas biológicas interferentes y el ruido de fondo en muestras clínicas. La aplicación de aprendizaje automático incrustado en la eliminación de interferencias de fondo, que es extremadamente común en soluciones de matriz complejas como el líquido cefalorraquídeo, aún está inexplorada. La implementación de aprendizaje automático en dispositivos y sensores puede mejorar su fiabilidad para discriminar respuestas. Además, implementar estos modelos en dispositivos portátiles puede mejorar aún más el uso de dispositivos de atención médica, la monitorización continua y las evaluaciones de mutaciones virales. En este documento, se presentan los requisitos para implementar un modelo de IA incrustado (TinyML) en sistemas portátiles de bajo consumo y su uso en el campo electroquímico. Se explora la aplicación de TinyML para discriminar entre la interferencia del ácido úrico y del ácido ascórbico, ambas especies electroquímicamente activas y bien conocidas, en la detección de neurotransmisores, alcanzando una precisión general del 98.1% para la unidad de punto flotante de 32 bits y del 96.01% tras la cuantización de 8 bits, utilizando el 4.55% de la memoria del potencióstato hecho a medida. El modelo puede ser mejorado simplemente equilibrando la memoria y la precisión. La investigación sugiere que TinyML puede ser un componente clave en futuros dispositivos médicos, permitiendo el procesamiento de datos en tiempo real y con creciente fiabilidad.