MARC

 008260126s2025        us                              c    eng  d
■001000017359879
■00520260202105230
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291567180
■035    ▼a(MiAaPQ)AAI32271883
■035    ▼a(MiAaPQ)umichrackham006389
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aAalizadeh,  Majid.
■24510▼aAutomated  ELISA  and  Machine  Learning-Enhanced  Accuracy  in  Biosensing  and  Colorimetric  Measurements
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a186  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Fan,  Xudong;Guo,  L.  Jay.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aModern  biomedical  diagnostics  demand  platforms  that  are  accurate,  compact,  automated,  and  cost-effective.  Conventional  ELISA  (enzyme-linked  immunosorbent  assay)  systems,  while  reliable,  are  often  bulky,  manual,  and  expensive,  limiting  accessibility  for  decentralized  testing.  This  dissertation  addresses  this  gap  by  developing  a  miniaturized  ELISA  platform  with  a  production  cost  of  about  $1200,  integrating  simple  rotary  and  linear  movements  as  the  only  required  mechanical  motions  with  custom  three-dimensional  printed  components  to  automate  liquid  handling.  Using  interleukin-6  (IL-6)  as  a  model  system,  the  platform  achieved  an  R²  of  0.9937  with  duplicate  measurements  and  a  limit  of  detection  (LOD)  of  7.13  pg/mL,  matching  or  exceeding  the  performance  of  high-end  commercial  systems  while  offering  significant  reductions  in  size,  complexity,  and  cost.  Beyond  automation,  this  dissertation  focuses  on  leveraging  machine  learning  to  enhance  optical  biosensing  accuracy  without  modifying  the  hardware.  In  both  primary  sensing  methods,  which  are  peak  shift  tracking  and  fixed-wavelength  intensity  modulation,  traditional  approaches  rely  on  one-dimensional  fitting  and  overlook  the  rich  spectral  information  available.  First,  a  Ridge  Regression  framework  is  applied  to  combine  multiple  resonant  peak  shifts  in  silicon  nanorod  arrays,  achieving  approximately  three  orders  of  magnitude  improvement  in  mean  squared  error  (MSE)  of  refractive  index  prediction  compared  to  traditional  single-peak  tracking.  Full-spectrum  modeling  is  then  explored  across  two  optical  structures,  one  based  on  silicon  supporting  sharp  Mie  resonances  for  peak  shift-based  sensing  and  another  based  on  titanium  where  intensity  modulation  is  the  dominant  response  to  the  refractive  index  change.  It  is  found  that  linear  regression  based  full-spectrum  analysis  significantly  enhances  accuracy  for  intensity  modulation-based  index  sensing,  while  for  peak  shift-based  sensing,  combining  multiple  peaks  provides  superior  performance.  Finally,  experimental  validation  using  colorimetric  measurements  shows  that  applying  machine  learning  with  twelve  selected  wavelengths  results  in  more  than  a  5700-fold  MSE  reduction  relative  to  the  best  single-wavelength  result.
■590    ▼aSchool  code:  0127.
■650  4▼aBiomedical  engineering
■650  4▼aEngineering
■650  4▼aNanotechnology
■653    ▼aMachine  learning
■653    ▼aBiomedical  diagnostics
■653    ▼aBiosensing
■653    ▼aLimit  of  detection
■653    ▼aColorimetric  measurements
■690    ▼a0541
■690    ▼a0537
■690    ▼a0652
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359879▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books