[论文解读] Comparisons of Pooling Matrices for Pooled Testing of COVID-19.

Yi-Jheng Lin, Che-Hao Yu+3 more|arXiv (Cornell University)|Sep 30, 2020

SARS-CoV-2 detection and testing参考文献 20被引用 4

一句话总结

本文提出了一种新的池化矩阵家族——有限射影平面上的直线束（PPoL），用于新冠病毒的混合检测。采用两阶段确定性缺陷者（DD）解码算法，仿真结果表明，PPoL矩阵能根据流行率动态调整列权重，在高达5%的流行率范围内，其性能优于固定结构的矩阵（如2D-pooling、P-BEST和Tapestry）。

ABSTRACT

In comparison with individual testing, group testing (also known as pooled testing) is more efficient in reducing the number of tests and potentially leading to tremendous cost reduction. As indicated in the recent article posted on the US FDA website, the group testing approach for COVID-19 has received a lot of interest lately. There are two key elements in a group testing technique: (i) the pooling matrix that directs samples to be pooled into groups, and (ii) the decoding algorithm that uses the group test results to reconstruct the status of each sample. In this paper, we propose a new family of pooling matrices from packing the pencil of lines (PPoL) in a finite projective plane. We compare their performance with various pooling matrices proposed in the literature, including 2D-pooling, P-BEST, and Tapestry, using the two-stage definite defectives (DD) decoding algorithm. By conducting extensive simulations for a range of prevalence rates up to 5%, our numerical results show that there is no pooling matrix with the lowest relative cost in the whole range of the prevalence rates. To optimize the performance, one should choose the right pooling matrix, depending on the prevalence rate. The family of PPoL matrices can dynamically adjust their column weights according to the prevalence rates and could be a better alternative than using a fixed pooling matrix.

研究动机与目标

• 为解决在早期新冠病毒筛查等低流行率环境下优化混合检测效率的挑战。
• 设计一种可适应不同流行率而非依赖固定结构的灵活池化矩阵。
• 在真实检测条件下评估并比较PPoL矩阵与现有池化矩阵的性能。
• 确定列权重的动态调整是否能提升混合检测中的相对成本效率。

提出的方法

• 利用有限射影平面上的直线束（PPoL）的几何结构构建池化矩阵，以确保样本混合的均衡与高效。
• 设计具有可变列权重的矩阵，可根据估计的流行率进行调节，实现动态适应。
• 应用两阶段确定性缺陷者（DD）解码算法，从群体检测结果中重建个体样本状态。
• 通过仿真评估在不同流行率范围（最高达5%）下PPoL矩阵的混合检测性能，并与2D-pooling、P-BEST和Tapestry进行比较。
• 基于相对成本进行性能评估，定义为所用总检测数与检测样本数的比值。

实验结果

研究问题

• RQ1 在不同流行率下，基于PPoL的池化矩阵是否能实现比现有固定池化矩阵更低的相对成本？
• RQ2 PPoL矩阵中列权重的动态调整在低流行率场景下如何影响检测效率？
• RQ3 是否存在一个适用于所有流行率的最优池化矩阵，还是性能取决于特定流行率？
• RQ4 在DD解码算法下，PPoL矩阵与2D-pooling、P-BEST和Tapestry在相对成本方面有何比较？

主要发现

• 在高达5%的流行率范围内，没有单一池化矩阵能在所有流行率下实现最低的相对成本，表明矩阵选择必须依赖于流行率。
• PPoL矩阵家族能根据流行率动态调整列权重，从而在性能调节上优于固定矩阵。
• PPoL矩阵在特定流行率范围内优于2D-pooling、P-BEST和Tapestry，展现出更优的适应性与效率。
• 当与PPoL矩阵结合使用时，两阶段DD解码算法能有效重建个体状态，确保在低流行率环境下的高准确性。
• 仿真结果证实，当流行率已知或可预先估计时，PPoL矩阵比固定矩阵更有效地降低相对成本。