Микрофлюидный чип без меток в сочетании с ИИ выявляет циркулирующие опухолевые клетки

Обнаружение нескольких опухолевых клеток среди миллиардов клеток крови — одна из главных трудностей жидкостной биопсии. Циркулирующие опухолевые клетки (ЦОК), которые отделяются от первичных опухолей и попадают в кровоток, могут дать важную информацию о прогрессировании рака и реакции на лечение. Их чрезвычайно низкая частота — часто от одной до десяти клеток на миллиард клеток крови — затрудняет выделение и надежную идентификацию таких клеток.

Чтобы решить эти проблемы, группа под руководством профессора Сяочунь Ли из Института биомедицинских прецизионных испытаний и приборостроения Колледжа искусственного интеллекта Тайюаньского технологического университета в сотрудничестве с директором Личжуном Чжаном из больницы Шаньси Бетьюн опубликовала исследование под названием «Без меток. Обогащение и идентификация циркулирующих опухолевых клеток с использованием инерционной микрофлюидики и глубокого обучения» в биомедицинском анализе. Соавторами работы стали доктор Вэйчжи Лю и профессор Сяочунь Ли (Тайюаньский технологический университет) и директор Личжун Чжан (больница Шаньси Бетьюн). Первым автором указан магистрант Цзюньи Оуян; среди соавторов также доктор Хайцинь Ли. В статье описана платформа без меток, объединяющая инерционное микрофлюидное обогащение и модель глубокого обучения на основе YOLOv8 для распознавания клеток по светлопольным изображениям, что обеспечивает быстрое обогащение и автоматическую идентификацию опухолевых клеток на фоне крови. Ключевая идея — разделение не по поверхностным маркерам, а по физическим свойствам клеток, а идентификация выполняется исключительно по изображениям светлого поля.

Большинство современных методов выделения ЦОК опираются на молекулярные маркеры на поверхности клеток, однако опухолевые клетки гетерогенны и разные популяции могут не нести одинаковых маркеров. Чтобы преодолеть это ограничение, авторы разработали методы без меток, использующие физические характеристики, такие как размер и деформируемость клеток.

Исследовательская группа сконструировала спиральный микрофлюидный чип со специальными участками сжатия и расширения канала. Поскольку типичный диаметр опухолевых клеток составляет около 12–25 мкм (в сравнении с 7–12 мкм для лейкоцитов и 6–8 мкм для эритроцитов), разные популяции испытывают разные силы при движении по микроканалу. Эти различия направляют опухолевые клетки и клетки крови по разным траекториям потока, что позволяет собирать ЦОК без обращения к поверхностным маркерам.

Компьютерное моделирование и эксперименты подтвердили, что канал разделяет частицы по размеру. В образцах искусственной крови с клетками линии рака молочной железы MCF-7 и лейкоцитами опухолевые клетки концентрировались у центрального выхода, а большинство клеток крови шло к боковым выходам. Система продемонстрировала степень восстановления клеток MCF-7 89,2 ± 3,1% и удаление лейкоцитов 86,9 ± 1,4%. Доля опухолевых клеток в пробе увеличилась с 9% до 38% после обогащения, что показывает способность чипа уменьшать фоновую долю клеток крови и повышать соотношение ЦОК.

Однако разделение — это только часть задачи: после обогащения важно точно определить, какие из собранных клеток действительно опухолевые. Во многих рабочих процессах для этого требуется флуоресцентная маркировка или антительный пэтчинг, что добавляет шаги и может ограничивать последующее использование материала.

Авторы предложили модель глубокого обучения YOLOv8, способную распознавать опухолевые клетки на светлопольных микроскопических изображениях. При подготовке модели флуоресцентные изображения использовались лишь для верификации и аннотаций, а после обучения распознавание выполнялось только по изображениям в светлом поле.

В отличие от подходов, требующих ручной сегментации отдельных клеток, YOLOv8 может одновременно находить, классифицировать и подсчитывать клетки на полных изображениях. Модель продемонстрировала высокие показатели: общая точность распознавания составила 96,0%; precision и recall — по 94,6%; специфичность — 95,4%. Эти результаты указывают, что ИИ может извлекать информативные морфологические признаки из стандартных микроскопических изображений и снизить потребность в дополнительном флуоресцентном окрашивании.

Объединение микрофлюидной сортировки и глубокого обучения устраняет две ключевые проблемы анализа ЦОК: выделение редких опухолевых клеток из сложного состава крови и их точную идентификацию после обогащения. Безметочный рабочий процесс упрощает обработку проб и помогает сохранить целостность клеток для дальнейших анализов, включая секвенирование отдельных клеток и тестирование чувствительности к препаратам. В более широкой перспективе работа иллюстрирует, как сочетание микрофлюидики и глубокого обучения открывает новые возможности для анализа редких биологических клеток.

Авторы подчёркивают, что текущий проект является исследованием, подтверждающим концепцию. Платформа проверялась на клеточных линиях MCF-7 и на искусственных образцах крови, а не на клинических пробах от пациентов; модули обогащения и распознавания ещё не полностью объединены в единую автоматизированную систему. В дальнейшей работе планируется оценить другие типы опухолей и клинические образцы, а также улучшить интеграцию и автоматизацию системы.

«Задача анализа циркулирующих опухолевых клеток заключается не только в обнаружении этих редких клеток, но и в их точной идентификации после разделения. Объединив микрофлюидику с искусственным интеллектом, мы надеемся предоставить более простой и гибкий подход для анализа ЦОК без меток и будущих последующих приложений».

Сяочунь Ли, автор, отвечающий за переписку