Solution d'IA pour calculer la quantité de matière contenue à partir des données de mesure de la spectrométrie de masse

Trouver une solution précise et efficace pour calculer la quantité de matière contenue sans dépendre des individus.

Calcul de la quantité de matière contenue à partir des données de mesure de spectrométrie de masse à l'aide de la chromatographie.

Une technologie a été développée qui utilise l'IA pour traiter les grandes quantités de données utilisées pour analyser les résultats de mesure, qui sont essentiels aux processus analytiques, acquis à partir de spectromètres de masse. Les spectromètres de masse sont utilisés pour la recherche et le contrôle de la qualité dans divers domaines tels que la mise en place de techniques de détection précoce des maladies et la mesure des pesticides résiduels dans les aliments, et en raison des améliorations de la sensibilité et de la rapidité, la quantité de données acquises est énorme. Par conséquent, l'étape d'analyse des données appelée "peak picking" est devenue un goulot d'étranglement dans le flux de travail. L'automatisation complète est difficile et, dans une certaine mesure, des ajustements manuels sont nécessaires. Par conséquent, il existe des différences dans la précision de l'analyse en fonction de chaque opérateur et il est possible que les résultats analytiques soient affectés par les pratiques et les modifications des données de chaque opérateur. Ces dernières années, l'analyse automatisée des données avec une grande précision qui élimine ce type de dépendance vis-à-vis des individus est désormais exigée dans les domaines de la santé et du développement de nouveaux médicaments. Pour résoudre ce problème à l'aide de l'IA, les trois sociétés ont étudié l'application de l'apprentissage en profondeur, une technologie de réseau neuronal qui imite les neurones du cerveau. Face à ce processus, deux problèmes se sont posés : 1) des données de formation insuffisantes ; et 2) l'apprentissage ne peut pas se poursuivre lorsque les données de sortie de l'équipement analytique ont été entrées, telles quelles, dans le réseau d'apprentissage en profondeur. Des technologies pour produire des données supplémentaires pour compenser le manque de données de formation et pour convertir les caractéristiques de sortie de l'équipement d'analyse en images ont été développées. De plus, les entreprises ont développé la technologie d'extraction de caractéristiques pour acquérir les compétences analytiques d'analystes expérimentés. Ce faisant, le réseau d'apprentissage en profondeur a pu apprendre des plus de 30 000 éléments de données d'entraînement générés. Par rapport aux résultats de la sélection manuelle des pics par un opérateur expérimenté, les résultats de la sélection automatisée des pics à l'aide de l'IA avaient un taux de fausses détections de 7 % et un taux non détecté de 9 %. Ces résultats indiquent qu'un prélèvement de pointe automatisé peut se comparer favorablement à un prélèvement de pointe par un opérateur expérimenté.