Door machine learning verbeterde multi-band metamateriaalsensor voor vroege detectie van neurologische aandoeningen

Hersenproblemen zien voordat symptomen optreden

Neurologische aandoeningen zoals hersentumoren, multiple sclerose en traumatisch letsel beginnen vaak met subtiele veranderingen die huidige scanners kunnen missen. Deze studie introduceert een kleine sensor, opgebouwd uit speciaal gepatroneerde materialen en ondersteund door machine learning, die werkt met terahertz‑licht om vroege verschuivingen in de vloeistoffen en weefsels van de hersenen op te sporen. In de toekomst zou zo’n chip artsen kunnen helpen problemen eerder te detecteren, met kleinere en mogelijk goedkopere apparatuur dan de huidige omvangrijke MRI‑ of CT‑machines.

Waarom een nieuw type hersensensor nodig is

Artsen vertrouwen nu op CT en MRI om beschadigd hersenweefsel te lokaliseren, maar deze machines zijn groot, duur en niet altijd gevoelig voor de vroegste stadia van ziekte. Veel hersenaandoeningen veranderen op subtiele wijze de eigenschappen van het cerebrospinale vocht—de heldere vloeistof die de hersenen en het ruggenmerg dempt en chemisch stabiel houdt. Wanneer het watergehalte verandert, verandert ook de manier waarop het licht buigt, een grootheid die bekendstaat als de brekingsindex. Conventionele scanners zijn niet ontworpen om deze kleine optische veranderingen direct te meten. De auteurs beargumenteren dat als een compacte sensor deze verschuivingen met hoge precisie zou kunnen lezen, dat tekenen van problemen veel eerder zou kunnen onthullen, voordat structurele schade duidelijk wordt.

Terahertz‑licht en ontwerpmaterialen benutten

De voorgestelde sensor werkt in het terahertzgebied van het elektromagnetische spectrum, een band straling die biologische weefsels kan doordringen zonder de schadelijke ioniserende effecten van röntgenstraling. In het hart van het apparaat bevindt zich een zorgvuldig gepatroneerd metamateriaaloppervlak: een 35 micrometer brede vierkant gemaakt van goud en een kunststof genaamd polyimide, gerangschikt als geneste vierkante en achthoekige lussen. In plaats van te vertrouwen op de ruwe samenstelling van de materialen, gebruikt het ontwerp geometrie om binnenkomende terahertzgolven zeer efficiënt te vangen. Wanneer de sensor wordt blootgesteld aan een monster—zoals cerebrospinaal vocht of hersenachtig weefsel—laat het absorptiespectrum drie zeer scherpe pieken zien op specifieke frequenties. Omdat meer dan 99 procent van de binnenkomende terahertzenergie bij elke piek geabsorbeerd wordt, worden kleine verschuivingen in die frequenties gemakkelijk detecteerbaar.

Heel kleine veranderingen in hersenachtig weefsel lezen

Om de sensor te testen plaatste het team een dunne «analyte»-laag boven het metamateriaal en varieerde de brekingsindex binnen het bereik dat typisch is voor biologische vloeistoffen. Elke keer dat de brekingsindex veranderde, verschoof alle drie de absorptiepieken naar licht verschillende frequenties terwijl ze zeer sterk bleven, boven ongeveer 96 procent absorptie. Uit deze verschuivingen berekenden de onderzoekers sensitiviteitswaarden van 1,5, 1,5 en 1,8 terahertz per brekingsindex‑eenheid voor de drie pieken—waarden die gunstig waren in vergelijking met of zelfs beter presteerden dan veel eerdere terahertzsensoren. Vervolgens modelleerden ze realistische hersencondities door brekingsindexwaarden toe te wijzen aan verschillende weefsels, waaronder gezond cerebrospinaal vocht, grijs en wit stof, en verschillende soorten hersentumoren. De drie resonantiepieken voor elk weefseltype scheidden zich duidelijk zonder overlapping, wat aangeeft dat het apparaat in principe onderscheid zou kunnen maken tussen gezonde en zieke toestanden over meerdere kanalen tegelijk.

Ontwerpen versnellen met machine learning

Het ontwerpen van zo’n fijn afgestemde sensor vereist gewoonlijk duizenden tijdrovende computersimulaties. Om dit te omzeilen genereerden de auteurs een grote dataset door systematisch vijf sleutelontwerpparameters te variëren—zoals laagdiktes en kierbreedtes—en de resulterende absorptie vast te leggen. Ze trainden vervolgens meerdere machine learning‑modellen om de respons van de sensor te voorspellen zonder volledige simulaties uit te voeren. Gradient boosting, een populaire ensemblemethode, bleek de beste performer en reproduceerde de gesimuleerde absorptiecurven met uiterst hoge nauwkeurigheid. Door op deze geleerde modellen te vertrouwen, schat het team dat ze nieuwe ontwerpen kunnen verkennen terwijl de simulatietijd met tot 60 procent wordt verminderd. Ze gebruikten bovendien uitlegbare AI‑tools, SHAP en LIME, om te identificeren welke parameters het meest van belang waren, wat inzicht geeft in hoe geometrie de sensorprestaties stuurt.

Wat dit kan betekenen voor vroege diagnose

Simpel gezegd laat de studie zien dat een postzegel‑grote terahertz‑chip kan fungeren als een zeer scherp «oor» dat luistert naar hoe hersenvochten en weefsels met licht interageren, en dat deze interacties op betrouwbare manieren veranderen naarmate ziekte vordert. Omdat de sensor drie onafhankelijke metingen tegelijk produceert, wint hij zowel aan nauwkeurigheid als aan robuustheid: als één kanaal verstoord raakt, kunnen de andere nog steeds helpen de weefseltoestand te identificeren. Hoewel het werk tot nu toe gebaseerd is op simulaties en bevestigd moet worden in laboratorium- en klinische omgevingen, wijst de combinatie van hoge sensitiviteit, compacte afmetingen en machine‑learning‑gestuurd ontwerp op een veelbelovende weg naar snellere, beter toegankelijke instrumenten om neurologische aandoeningen in hun vroegste, meest behandelbare stadia te detecteren.

Bronvermelding: Miah, A., Al Zafir, S., Das, J. et al. Machine learning-enhanced multi-band metamaterial sensor for early detection of neurological disorders. Sci Rep 16, 7599 (2026). https://doi.org/10.1038/s41598-026-39127-w

Trefwoorden: neurologische aandoeningen, terahertz-sensoring, metamateriaal-sensor, hersenvocht, machine learning