深度学习辅助的无标签并行细胞分类使用数字微流体学
Zongliang Guo1, Fenggang Li1, Hang Li2
1Beijing Advanced Innovation Center for Intelligent Robots and Systems, School of Mechatronical Engineering, Beijing Institute of Technology, Beijing, 100081, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|November 5, 2024
概括
一种新的无标签细胞分类方法使用深度学习和微流体学来根据形态区分细胞. 这种技术实现了高精度和纯度,使先进的诊断和研究.
科学领域:
- 生物技术是生物技术.
- 微流体学 微流体学
- 人工智能的人工智能
背景情况:
- 细胞分类对于研究和临床应用至关重要.
- 现有的方法通常需要细胞标记,这可能会影响细胞活力.
- 需要一种无标签的方法来实现高效且非侵入性的细胞分离.
研究的目的:
- 开发和验证一种新的无标签细胞分类方法.
- 将深度学习与微流体操纵相结合,用于形态细胞分化.
- 评估开发的细胞分类技术的性能和适用性.
主要方法:
- 使用了一个主动矩阵数字微流体 (AM-DMF) 平台.
- 采用YOLOv8物体检测模型进行精确的滴滴分类.
- 实施安全间隔路径规划,用于无碰撞的多目标滴滴操纵.
主要成果:
- 在使用HeLa电池和聚乙烯珠子的过程中,在三个周期内实现了98.5%的分类精度,96.49%的纯度和80%的回收.
- 证明了从红细胞中成功分类HeLa细胞.
- 展示了癌细胞与白细胞和白细胞亚型的分化.
结论:
- 集成的深度学习和AM-DMF系统提供了一个高度精确和高效的无标签细胞分类解决方案.
- 该方法尽量减少样本损失,允许直接在芯片上溶解和下游生物分析.
- 这种创新技术在促进诊断,治疗和细胞生物学研究方面具有重大潜力.


