Метаматериаловый сенсор с машинным обучением для многополосного терагерцового обнаружения ранних признаков неврологических заболеваний

Видеть проблемы мозга до появления симптомов

Неврологические заболевания, такие как опухоли мозга, рассеянный склероз и травматические повреждения, часто начинаются с тонких изменений, которые современные сканеры могут не заметить. В этой работе предлагается крошечный сенсор из специально спроектированных материалов, усиленный методами машинного обучения, который работает в терагерцевом диапазоне и способен обнаруживать ранние изменения в жидкостях и тканях мозга. В будущем такой чип может помочь врачам выявлять проблемы раньше, используя более компактное и потенциально более дешевое оборудование по сравнению с громоздкими МРТ или КТ.

Почему нужен новый тип сенсора для мозга

Врачи сейчас опираются на КТ и МРТ для локализации повреждений мозга, но эти аппараты крупные, дорогие и не всегда чувствительны к самым ранним стадиям болезни. Многие заболевания мозга тонко меняют свойства спинномозговой жидкости — прозрачной жидкости, защищающей мозг и спинной мозг и поддерживающей химическую стабильность. При изменении содержания воды меняется и показатель преломления — то, как жидкость преломляет свет. Обычные сканеры не предназначены для прямого измерения таких незначительных оптических сдвигов. Авторы утверждают, что компактный сенсор, умеющий с высокой точностью считывать эти изменения, мог бы обнаруживать признаки заболевания задолго до появления явных структурных повреждений.

Использование терагерцевого света и «дизайнерских» материалов

Предлагаемый сенсор работает в терагерцевом диапазоне электромагнитного спектра — области излучения, которая проникает через биологические ткани без ионизирующего вреда, характерного для рентгеновских лучей. В основе устройства лежит точно спроектированная поверхность-«метаматериал»: квадрат шириной 35 микрометров, выполненный из золота и полиимида, организованный в виде вложенных квадратных и восьмиугольных петель. Вместо того чтобы полагаться только на химический состав, конструкция использует геометрию для эффективного захвата падающих терагерцевых волн. При контакте сенсора с образцом — например, со спинномозговой жидкостью или тканью, имитирующей мозг — его спектр поглощения показывает три очень острые пика на определенных частотах. Поскольку на каждом пике поглощается более 99 процентов входящей терагерцевой энергии, даже небольшие сдвиги этих частот легко обнаружить.

Фиксация крошечных изменений в тканях, похожих на мозговые

Чтобы проверить чувствительность, команда поместила тонкий слой «аналита» над метаматериалом и варьировала его показатель преломления в пределах, характерных для биологических жидкостей. При каждом изменении показателя преломления все три пика поглощения сдвигались на немного другие частоты, оставаясь при этом очень сильными — выше примерно 96 процентов поглощения. Авторы рассчитали значения чувствительности в 1,5, 1,5 и 1,8 терагерц на единицу показателя преломления для трех пиков — показатели, которые сравнимы с или превосходят многие ранние терагерцовые сенсоры. Затем они смоделировали реалистичные состояния мозга, назначив значения показателя преломления для разных тканей, включая здоровую спинномозговую жидкость, серое и белое вещество и несколько типов опухолей. Три резонансных пика для каждого типа ткани разделялись четко, без наложений, что указывает на то, что устройство теоретически может различать здоровые и пораженные состояния одновременно по нескольким каналам.

Ускорение проектирования с помощью машинного обучения

Проектирование подобного точно настроенного сенсора обычно требует тысяч длительных компьютерных симуляций. Чтобы обойти это, авторы сгенерировали большой набор данных, систематически варьируя пять ключевых параметров конструкции — таких как толщины слоев и размеры зазоров — и фиксируя результирующее поглощение. Затем они обучили несколько моделей машинного обучения предсказывать отклик сенсора без выполнения полноценных симуляций. Градиентный бустинг, популярный ансамблевый метод, показал лучшую производительность, воспроизводя смоделированные кривые поглощения с очень высокой точностью. Опираясь на эти обученные модели, команда оценивает, что может исследовать новые проекты, сокращая время симуляций до 60 процентов. Дополнительно они использовали объяснимые инструменты ИИ, SHAP и LIME, чтобы определить, какие параметры имеют наибольшее влияние, что даёт понимание того, как геометрия управляет чувствительностью сенсора.

Что это может значить для ранней диагностики

Проще говоря, исследование показывает, что терагерцевый чип размером с почтовую марку может выступать в роли очень острого «уха», считывающего, как жидкости и ткани мозга взаимодействуют со светом, и что эти взаимодействия надёжно изменяются по мере прогрессирования болезни. Поскольку сенсор даёт три независимых показания одновременно, он выигрывает в точности и устойчивости: если один канал нарушен, остальные могут помочь определить состояние ткани. Хотя работа пока основана на моделировании и требует подтверждения в лабораторных и клинических условиях, сочетание высокой чувствительности, компактного размера и проектирования с помощью машинного обучения указывает на перспективный путь к более быстрым и доступным инструментам для выявления неврологических заболеваний на самых ранних, наиболее лечимых стадиях.

Цитирование: 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

Ключевые слова: неврологические заболевания, терахерцевое сенсирование, сенсор на основе метаматериала, спинномозговая жидкость, машинное обучение