撰稿人： 北京大学人民医院 副研究员 胡涛波
武汉大学 教授 雷诚
清华大学 教授 陈宏伟
研究背景
浆液性积液是指在人体的浆膜腔，如胸膜、腹膜和心包腔中异常积聚液体的状况。这种积液可能由多种原因引起，包括炎症、血管内压增高以及恶性肿瘤。在临床诊断中，区分良性反应性积液与恶性积液至关重要，因为它们对疾病的分期和治疗策略有着根本性的影响。恶性积液通常与晚期恶性肿瘤相关，如乳腺癌、肺癌、卵巢癌等，它们可能预示着癌症的转移。
传统的细胞病理学方法，如直接涂片或液基操作，虽然在诊断中发挥着重要作用，但存在一些局限性。这些方法由于样本量有限，可能导致细胞丢失，且诊断过程依赖于细胞形态学的人为观察，这可能带来主观性。此外，这些方法在处理和分析上耗时耗力，限制了其在临床应用中的效率。
为了提高诊断的效率和准确性，研究人员开始探索新的技术。深度学习算法的应用显著提高了诊断的一致性和效率，而机器人技术则被用于自动化扫描幻灯片，以提高图像采集的效率。然而，现有的基于染色的成像技术难以应用于活细胞检测，且染色过程需要额外的操作和成本。因此，迫切需要一种高通量、无需标记的分析方法来满足临床对浆液性积液诊断的需求。
导读
本研究文章介绍了智能成像流式细胞检测技术在诊断浆液性积液方面展现出的卓越潜力。浆液性积液是液体在胸膜、腹膜和心包腔中的异常积聚，其准确诊断对于区分良性与恶性病变至关重要。传统的细胞病理学方法存在效率低下和主观性强的问题，而本文提出的技术通过每秒高达十万个事件的成像速率和优于1微米的空间分辨率，显著提高了细胞成像的效率和质量。
文章的核心贡献在于利用Optofluidic time-stretch （OTS） microscopy技术捕获的细胞图像，并通过卷积神经网络（CNN）进行深入分析，实现了对恶性细胞的高准确度检测。通过18个临床样本的验证，该方法达到了90.53%的检测准确率，证明了其在临床应用中的可靠性和有效性。此外，该技术还具有无需复杂样本准备、无需染色标记等优势，有望简化临床操作流程，提高诊断的客观性和一致性。
主要研究内容
本研究的核心内容是开发并验证一种新型的智能成像流式细胞检测技术，用于诊断浆液性积液中的恶性细胞。浆液性积液是液体在胸膜、腹膜和心包腔中的异常积聚，其诊断对于区分良性反应性积液和恶性积液至关重要，因为它们可能导致完全不同的疾病管理和治疗策略。
研究团队首次采用了基于OTS的成像技术，该技术能够在每秒100,000个事件的高速度下，以优于1微米的空间分辨率对浆液性积液中的细胞进行成像。这种高吞吐量和高分辨率的成像能力，为后续的细胞分析提供了高质量的图像数据。
获取的细胞图像随后通过一个特别设计的卷积神经网络（CNN）进行分析。CNN利用深度学习算法，通过训练学习区分良性和恶性细胞的特征，从而实现对细胞的自动分类。研究中使用了22个临床浆液性积液样本（包括10个恶性和12个良性样本）来训练CNN，并通过另外18个样本（14个恶性和4个良性）来验证其性能。结果显示，该方法能够以90.53%的准确率检测出样本中的恶性细胞。
在实验部分，研究详细描述了样本的收集、处理和数据准备过程。样本首先经过离心和洗涤，然后使用CytoLyt溶液和iPreservCyt溶液进行处理，以便于后续的成像和分析。此外，研究还介绍了OTS成像流式细胞仪的具体设置和工作原理，包括激光源的选择、脉冲的时序拉伸、空间分散、细胞成像以及脉冲的检测和采样。
CNN的结构设计也是研究的一个重要方面。为了平衡诊断的准确性和效率，研究选择了MobileViT作为CNN的轻量级框架。该网络结构包括卷积层、MobileNetV2模块和Vision Transformer（ViT）模块，能够有效地从细胞图像中学习局部空间信息和不同注意力空间的特征表示。
在图像分析过程中，研究团队采用了一种轻量级的细胞筛选模型来过滤掉与诊断无关的图像，如细胞团、小颗粒、细胞碎片和絮凝物。然后，根据医学经验，通过图像处理技术如阈值分割和边缘检测，过滤掉直径小于10微米的淋巴细胞图像。通过数据增强和优化的网络训练过程，CNN能够学习到癌症细胞的关键特征，并在测试样本中实现了高精度的分类性能。
技术突破与创新点
本研究的技术突破和创新主要体现在以下几个方面：
高吞吐量成像技术：研究中采用的OTS成像技术，实现了每秒高达100,000个事件的成像速率，这在传统的细胞成像技术中是难以达到的。这种高吞吐量的能力极大地提高了样本处理的效率，使得在短时间内对大量细胞进行快速分析成为可能。
亚微米级空间分辨率：OTS成像技术不仅在速度上有所突破，其空间分辨率也达到了1微米以下，这使得对细胞的细微结构进行更精确的观察和分析成为可能，为细胞级别的病理诊断提供了更为丰富的图像信息。
无需标记的检测方法：传统的细胞检测方法往往需要对细胞进行染色或其他形式的标记，这不仅增加了操作的复杂性，也可能对细胞的活性和形态产生影响。而本研究采用的OTS成像技术和CNN分析方法，无需对细胞进行任何形式的标记，实现了真正意义上的无标记检测。
深度学习在图像分析中的应用：研究中使用了卷积神经网络（CNN）对细胞图像进行分析，这是深度学习技术在细胞病理学领域的创新应用。CNN能够自动学习和识别细胞图像中的特征，从而实现对恶性细胞的高准确度检测。
轻量级CNN框架的设计：为了平衡诊断的准确性和效率，研究团队设计了基于MobileViT的轻量级CNN框架。这种框架结合了MobileNetV2和Vision Transformer的优势，既保证了模型的计算效率，又能够深入挖掘细胞图像的特征信息。
图像预处理和筛选技术：在将图像输入CNN之前，研究中采用了轻量级的细胞筛选模型来过滤掉与诊断无关的图像，如细胞团、小颗粒等。这种预处理步骤显著提高了后续分析的准确性和效率。
临床样本的广泛验证：研究不仅在理论上进行了创新，更通过18个临床样本的验证，证明了该方法在实际应用中的可靠性和有效性。这种广泛的临床验证是技术成熟度的重要标志。
对细胞特征的深入理解：通过CNN的注意力机制，研究揭示了在细胞识别中起关键作用的图像区域，为生物医学科学家提供了挖掘隐藏或未揭示的细胞特征的线索。
这些技术突破和创新不仅推动了细胞病理学领域的技术进步，也为临床诊断提供了更为高效、准确和可靠的工具，有望在未来的医疗实践中发挥重要作用。
OTS成像流式细胞仪的示意图展示
CNN架构，包括一个卷积层（Conv）、MobileNetV2模块和视觉变换器（ViT）模块
结论与展望
本研究成功开发了一种基于OTS成像和卷积神经网络（CNN）的智能成像流式细胞检测技术，用于诊断浆液性积液中的恶性细胞。通过18个临床样本的验证，该技术展现了90.53%的高准确率，以及每秒高达100,000个事件的高吞吐量和优于1微米的空间分辨率，证明了其在临床应用中的潜力和价值。
本研究展示的成果有望转化为临床应用，在鉴定腹腔恶性积液这一场景下，项目团队目前在贵州省安顺市人民医院胃肠外科陶亮副主任医师（本文作者之一）带领下进行前瞻性的临床试验，以进一步测试本研究成果在日常临床实践中的效能。
这项技术突破了传统细胞病理学方法的局限，提供了一种无需标记、高效率、高准确度的细胞检测新方法。它不仅能够显著提高诊断的效率和准确性，还有助于简化临床操作流程，降低对医生经验的依赖，提高诊断的客观性和一致性。
本项研究中所使用的智能成像流式细胞检测技术目前已由天津凌视科技有限公司实现产业化，其VS系列成像流式细胞检测仪可对流速为1m/s，直径1μm-300μm的细胞样本进行最高2500帧每秒的图像采集，最高采集通量达20,000events/s，结合图像分析算法，可对细胞等效直径、面积、周长、圆形度、长宽比、偏心率等多种参数进行智能分析。配合全自动进样与清洁系统，可以实现100μl/min速率的细胞全自动采样分析。展望未来，这项技术有望进一步优化和扩展，以适应更广泛的临床应用场景。例如，通过算法的改进和数据集的扩大，可以进一步提升检测的准确性和鲁棒性。此外，该技术也可以探索在其他类型的液体活检、细胞分选和生物标志物检测等领域的应用。随着技术的不断发展和完善，智能成像流式细胞检测技术有潜力成为临床诊断和疾病监测的重要工具，为提高疾病诊断的精确度和效率做出重要贡献。
文章信息
龙孟平等，https://doi.org/10.1002/adsr.202300183
主要作者介绍
胡涛波，北京大学人民医院乳腺外科医师、副研究员，研究方向为乳腺癌外科手术和精准诊疗、临床数据分析和统计建模、医学生物信息学。获中南大学湘雅医学院外科学与香港科技大学生物信息学双博士学位，在Nature、NatureCommunications 等国际顶级 SCI 期刊发表论文 40 余篇。其中近两年发表第一或通讯作者 SCI 论文 13 篇，累计影响因子 67.9 分。担任《The Breast Journal》和《International Journal of Breast Cancer》期刊 Academic Editor，20 余本 SCI 期刊审稿人，《中华生物医学工程杂志》中青年编委等。主持国家自然科学基金青年项目、北京大学医学部临床科学家项目、临床医学+X 项目以及北京大学医学青年科技创新培育基金青年项目各一项。
雷诚，博士，武汉大学工业科学研究院教授，副院长；湖北省/武汉市激光协会常务理事；湖北省生物医学工程学会常务理事；海洋装备电磁效应及安全全国重点实验室学术委员会委员。主要从事超快光学成像系统及其应用相关领域的研究工作，发表SCI论文70余篇，申请并获授权发明专利20余项。
声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将协调进行处理（按照法规支付稿费或立即删除），所有来稿文责自负，专委会仅作为分享平台。转载请注明出处，如原创内容转载需授权，请联系邮箱：cita@csoe.org.cn
