太原理工大學(xué)生物醫(yī)學(xué)精密測試與儀器研究院人工智能學(xué)院李曉春教授團隊，聯(lián)合山西白求恩醫(yī)院張立忠主任，在《生物醫(yī)學(xué)分析》期刊發(fā)表相關(guān)研究。該團隊開發(fā)了一種無需特定表面標(biāo)記的循環(huán)腫瘤細(xì)胞（CTC）分析平臺，將慣性微流控富集技術(shù)與基于YOLOv8的深度學(xué)習(xí)方法相結(jié)合，可在復(fù)雜血液背景中實現(xiàn)腫瘤細(xì)胞的快速富集與明場圖像智能識別。

現(xiàn)有CTC分離方法多依賴腫瘤細(xì)胞表面的分子標(biāo)記，但不同CTC亞群標(biāo)記存在差異。研究團隊設(shè)計了含特殊收縮-擴張結(jié)構(gòu)的螺旋微流控芯片，利用細(xì)胞尺寸差異進行物理分選。循環(huán)腫瘤細(xì)胞直徑通常為12至25微米，大于白細(xì)胞（7至12微米）和紅細(xì)胞（6至8微米）。在微通道內(nèi)流動時，不同大小的細(xì)胞受力不同，從而被引導(dǎo)至不同的流路。計算機模擬與實驗證實，該芯片可按尺寸分離顆粒與細(xì)胞。在含MCF-7乳腺癌細(xì)胞和白細(xì)胞的模擬血液樣本中，腫瘤細(xì)胞在中央出口富集，大部分血細(xì)胞流向側(cè)向出口。系統(tǒng)對MCF-7細(xì)胞的回收率為89.2±3.1%，白細(xì)胞去除率為86.9±1.4%，腫瘤細(xì)胞占比從分離前的9%提升至富集后的38%。

在識別環(huán)節(jié)，研究引入YOLOv8深度學(xué)習(xí)模型，直接對明場顯微鏡圖像中的腫瘤細(xì)胞進行定位、分類與計數(shù)。模型開發(fā)階段使用熒光圖像標(biāo)注細(xì)胞類型，訓(xùn)練完成后僅依賴明場圖像即可運行。與傳統(tǒng)需人工分割單細(xì)胞再分類的方法不同，該模型無需額外熒光染色步驟。測試顯示，模型區(qū)分腫瘤細(xì)胞與非腫瘤細(xì)胞的準(zhǔn)確率達96.0%，率與召回率均為94.6%，特異度為95.4%。

該平臺將物理細(xì)胞分選與人工智能結(jié)合，旨在解決復(fù)雜血液環(huán)境中稀有腫瘤細(xì)胞的發(fā)現(xiàn)與精準(zhǔn)識別兩大瓶頸。無標(biāo)記工作流可簡化樣本處理流程，有助于保持細(xì)胞完整性以支持下游應(yīng)用，如單細(xì)胞測序和藥物敏感性測試。研究人員指出，當(dāng)前工作仍為概念驗證階段，平臺僅在MCF-7細(xì)胞系和人工血液樣本上完成驗證，富集與識別模塊尚未完全集成至單一自動化系統(tǒng)中。后續(xù)研究將聚焦于評估更多腫瘤類型與患者臨床樣本，并進一步提升系統(tǒng)集成度與自動化水平。