[论文解读] Low-Cost and High-Throughput Testing of COVID-19 Viruses and Antibodies via Compressed Sensing: System Concepts and Computational Experiments

Jirong Yi, Raghu Mudumbai+1 more|arXiv (Cornell University)|Apr 13, 2020

SARS-CoV-2 detection and testing参考文献 33被引用 20

一句话总结

本文提出了一种基于压缩感知的系统，用于低成本、高通量检测SARS-CoV-2病毒和抗体，通过利用基于扩展图的测量矩阵从混合样本中恢复稀疏信号。在8.7%感染率下可实现最高3倍的通量提升，在1%流行率下可实现10倍以上的提升，显著减少所需检测次数，同时在存在噪声的情况下仍保持高精度。

ABSTRACT

Coronavirus disease 2019 (COVID-19) is an ongoing pandemic infectious disease outbreak that has significantly harmed and threatened the health and lives of millions or even billions of people. COVID-19 has also negatively impacted the social and economic activities of many countries significantly. With no approved vaccine available at this moment, extensive testing of COVID-19 viruses in people are essential for disease diagnosis, virus spread confinement, contact tracing, and determining right conditions for people to return to normal economic activities. Identifying people who have antibodies for COVID-19 can also help select persons who are suitable for undertaking certain essential activities or returning to workforce. However, the throughputs of current testing technologies for COVID-19 viruses and antibodies are often quite limited, which are not sufficient for dealing with COVID-19 viruses' anticipated fast oscillating waves of spread affecting a significant portion of the earth's population. In this paper, we propose to use compressed sensing (group testing can be seen as a special case of compressed sensing when it is applied to COVID-19 detection) to achieve high-throughput rapid testing of COVID-19 viruses and antibodies, which can potentially provide tens or even more folds of speedup compared with current testing technologies. The proposed compressed sensing system for high-throughput testing can utilize expander graph based compressed sensing matrices developed by us \cite{Weiyuexpander2007}.

研究动机与目标

• 为解决因检测能力有限和检测试剂短缺导致大规模SARS-CoV-2检测中的关键瓶颈问题。
• 通过采用压缩感知而非传统个体或分组检测方法，提升检测通量并降低检测成本。
• 利用来自稀疏信号恢复的混合样本定量测量，实现对病毒RNA和抗体的高精度检测。
• 评估压缩感知在真实条件下的性能表现，包括噪声和不同感染流行率的影响。
• 证明即使在存在噪声测量的情况下，压缩感知相比个体检测仍可实现显著的通量提升（最高达3倍或以上）。

提出的方法

• 系统采用非自适应压缩感知，使用二值或实值测量矩阵，同时混合并检测多个样本。
• 采用基于扩展图的感知矩阵，以确保在低样本复杂度下实现稀疏信号的鲁棒且高效的恢复。
• 该方法将人群中病毒载量或抗体水平建模为稀疏向量，其中仅少数个体为感染者或血清阳性。
• 通过凸优化（如基追踪）或对可能的支持集进行穷举搜索来执行信号恢复，以识别感染者。
• 通过添加幅度为10⁻³的随机扰动来模拟噪声测量，以评估系统的鲁棒性。
• 性能通过错误率、假阳性率、假阴性率和恢复误差等指标进行评估，结果在多次试验中取平均。

实验结果

研究问题

• RQ1 压缩感知能否在SARS-CoV-2检测中实现显著高于传统个体或分组检测的检测通量？
• RQ2 压缩感知的性能如何随感染流行率、样本数量和测量噪声的变化而变化？
• RQ3 压缩感知在保持高检测精度的前提下，能在多大程度上减少所需检测次数？
• RQ4 不同测量矩阵（伯努利随机矩阵与基于扩展图的矩阵）在噪声条件下的恢复性能有何差异？
• RQ5 在固定测量数（例如每次PCR运行使用96个孔）的前提下，可可靠检测的最大人群规模是多少？

主要发现

• 在96次测量下，当感染率为8.7%时，系统可可靠检测出最多300人的群体中所有感染者，实现3倍通量提升。
• 在1%感染率下，系统相比个体检测可实现10倍以上的检测通量提升。
• 当n=40且k=2时，仅使用10次测量，噪声幅度为10⁻³的条件下，假阳性率和假阴性率均接近于零。
• 基于扩展图的矩阵与伯努利随机矩阵在恢复精度和抗噪声能力方面表现相当。
• 在8.7%流行率下，当n≤300时，系统保持了较低的假阳性与假阴性率，表明其具有较强的实用可行性。
• 压缩感知中使用实数值定量测量相比二值分组检测更具鲁棒性，尤其在噪声条件下表现更优。