肠道感染及相关疾病是由沙门氏菌引起的，主要通过食物和空气传播。[1] 这些病原体最初感染胃肠道，随后可能扩散到整个消化系统甚至其他器官系统，导致严重的并发症，对公共卫生和安全构成重大风险。[2],[3] 沙门氏菌的血清型主要分为四种：伤寒沙门氏菌、甲型副伤寒沙门氏菌、乙型副伤寒沙门氏菌和丙型副伤寒沙门氏菌。[4] 这四种沙门氏菌引起的疾病在临床症状上存在一定的相似性，因此区分它们对于正确的诊断和治疗非常重要，不仅有助于提高临床治疗的准确性，还能为流行病学研究和公共卫生政策的制定提供关键数据。[4] 目前，细菌培养是最常用的检测沙门氏菌的方法。[5] 尽管这种方法可以准确区分不同的血清型，但它不可避免地存在耗时和灵敏度低的问题。此外，聚合酶链反应（PCR）是另一种广泛用于检测沙门氏菌的方法，[6],[7] 能够提供可靠的结果。然而，这种方法成本较高，且需要先进的设备和专业人员。这些缺点严重限制了其临床应用。因此，开发一种便携且灵敏的检测方法对于克服这些限制至关重要。
荧光免疫测定是一种基于抗原-抗体反应原理的分析方法，利用荧光标记物对目标物质进行定量检测。[8] 由于其高灵敏度、特异性和快速检测能力，荧光免疫测定已广泛应用于医学诊断、环境监测和食品安全检测等多个领域。[9],[10],[11] 荧光光谱通常被认为是一种强大的荧光检测技术。[12],[13],[14],[15],[16] 具体的操作是将样品溶液放入比色皿中，然后使用荧光光谱仪进行测量。这种操作在实现免疫传感器的便携性和高通量能力方面存在挑战。因此，迫切需要一种简单快速的方法来检测四种沙门氏菌血清型，以补充荧光光谱分析。值得注意的是，基于智能手机的荧光成像技术在多重检测方面具有显著优势，因为它具有便携性、高灵敏度和多重检测能力。[17],[18],[19] 然而，数据处理仍然是多重检测中的一个挑战。传统的处理方法通常需要耗时的手动步骤，容易出错。[20],[21] 因此，迫切需要新的处理方法来解决这个问题。
基于智能手机的生物传感技术为这一挑战提供了有效的解决方案，并在过去几年中取得了显著进展，为便携式沙门氏菌检测开辟了新的途径。越来越多的研究探索了将智能手机集成到沙门氏菌传感平台中。[22],[23],[24],[25] 然而，目前大多数可用的智能手机检测方法仅限于单一分析物的检测，或者依赖于笨重的外部光学附件。此外，尽管机器学习和深度学习已被广泛用于生物传感器数据分析，但将深度学习与智能手机成像结合以同时鉴定多种沙门氏菌血清型的研究仍然较少。深度学习已成为图像处理领域的主流方法。[26],[27],[28] 卷积神经网络（CNN）作为深度学习中的一个重要架构，在图像处理任务中表现出色。[29] CNN的概念受到生物体视觉系统的启发，旨在模拟人类的视觉处理机制。在过去几年中，CNN在图像识别和对象检测领域取得了显著进展。[30],[31],[32] 这些有希望的结果促使我们在本工作中采用CNN来处理荧光成像数据，实现了四种不同沙门氏菌血清型的同时分类和检测。
本文首次报道了使用蓝色、绿色、黄色和红色发光的铱复合物（即bis (4,6-difluoro-2-(2-pyridyl)phenyl-C2,N) (2-carboxypyridyl) iridium (III) (Ir-B)、bis (4,6-difluoro-2-(2-pyridyl)phenyl-C2,N) (4-carboxypropyl-2,2'-bipyridine-4-yl) iridium (III) (Ir-G)、bis (2-phenylbenzothiazole-C2,N) (4-carboxypropyl-2,2'-bipyridine-4-yl) iridium (III) (Ir-Y) 和 bis (2-methyldibenzo[f,h]quinoxaline) (acetylacetone) iridium (III) (Ir-R)）作为多色荧光标记物，并结合智能手机和CNN构建了一种多通道荧光免疫传感器。值得注意的是，为了克服传统荧光分析的检测通量限制和设备依赖性问题，成功构建了一个高通量且便携的定制荧光成像捕获系统，该系统集成了智能手机、96孔板和便携式365 nm激发光源（图S1），并进一步用于同时鉴定四种不同的沙门氏菌血清型。重要的是，基于CNN的深度学习模型被成功训练用于处理荧光成像数据，辅助荧光光谱分析，实现了四种沙门氏菌血清型的同时快速鉴定和检测，显著提高了数据处理效率，表明本文提出的这种基于CNN的智能便携式免疫测定系统在未来应用的多重检测领域具有巨大潜力，有可能带来革命性的变化。
