无抗原CTC检测新突破：深度学习生物激光技术引领癌症诊断新方向

循环肿瘤细胞（CTCs）是进入血液的肿瘤细胞，可用于癌症诊断和预后。它们在外周血液中极为稀少，检测CTCs对于提供精准诊断和预后信息至关重要。目前的检测方法包括免疫标记和无标记微流控技术，但存在局限性：免疫标记只能检测特定抗原的CTCs，可能遗漏异质性CTCs；无标记方法虽能捕获更多异质性CTCs，但纯度低，且仍需免疫标记来识别。因此，开发一种抗原无关的CTC检测方法十分必要。

生物激光是一种新兴的生物研究工具，通过细胞内的荧光标记产生激光信号，对细胞内环境极为敏感。研究表明，生物激光的阈值行为可以区分癌细胞和正常细胞，且激光模式可能成为细胞类型的生物标志物。然而，现有方法未能充分利用生物激光的特性。为此，研究者开发了一种深度学习辅助的单细胞生物激光平台，通过深度细胞激光分类器（DCLC）跟踪细胞在不同泵浦功率下的激光模式，实现了94.3%的灵敏度，用于区分CTCs和白细胞。

研究结果

研究团队开发的深度学习辅助单细胞激光平台，核心在于通过新型深度学习模型Deep Cell-Laser Classifier（DCLC），追踪单细胞在多个泵浦功率下的激光模式，并利用如激光阈值等独特的激光特性。具体流程如下：首先对血液样本进行处理，通过红细胞耗竭、微流控Labyrinth富集CTC并进行细胞染色；接着将细胞置于微法布里-珀罗（F-P）腔中，用定制的激光发射显微镜测量单细胞激光模式；最后由DCLC进行检测和分类。

图 1 从人类样本中检测CTCs的完整流程示意图

图1展示了人类样本的实验流程：从人体抽取血液，预处理去除红细胞，通过Labyrinth装置富集CTC，对富集后的样本染色并置于微 F-P 腔测量细胞的超激光特征，最后用DCLC对CTC和白细胞进行分类。

图 2 DCLC的模型结构

图 2 呈现了DCLC模型结构，它包含并行单细胞激光编码器（PScLE）和细胞分类器。PScLE 由四个 ResNet 101 模块组成，将细胞的超激光特征编码成四个特征向量，每个向量代表一个泵浦功率下的激光模式；细胞分类器则利用这些特征向量进行细胞类型分类。

图 3 健康供体白细胞和胰腺癌细胞系Pancreatic 368的激光特性

图 3 展示了白细胞和肿瘤细胞（Pancreatic 368）的激光模式及激光阈值对比。随机选取的白细胞和肿瘤细胞在不同泵浦功率下的激光模式不同，且肿瘤细胞的激光阈值更低，在相同泵浦功率下，肿瘤细胞的激光发生率更高。研究者将不同细胞在四个泵浦功率下特征向量的t-SNE可视化，结果显示白细胞和肿瘤细胞（Pancreatic 368）的特征向量形成不同聚类，表明PScLE能有效区分两者的激光模式。

此外，还利用DCLC对细胞激光模式进行编码，实验结果表明，该模型能有效区分白细胞和肿瘤细胞，并且在未参与训练的其他患者CTC衍生细胞系上展现出零样本泛化能力，即可以识别未见过的肿瘤细胞。

图 4 DCLC模型的性能评估

在细胞类型分类实验中，DCLC 模型展现出高特异性，如图4中呈现了DCLC模型的性能评估。ROC曲线下面积达0.9994，设定分类器阈值为0.2时的混淆矩阵，显示出高特异性和灵敏度。并且经校正后，肿瘤细胞检测的灵敏度达到94.3%。研究团队还通过向样本中加入已知的CTC类细胞（Pancreatic 368）进行实验验证，结果显示，生物激光方法与荧光成像方法检测到的CTC类细胞数量吻合度高，证明该方法能在单细胞水平准确检测CTC。

此外还进行了DCLC模型的实验验证过程。向白细胞样本中加入染色的Pancreatic 368细胞，对比生物激光通道和荧光通道的细胞计数，两者吻合良好，且一对一验证实验表明生物激光方法检测准确率高。

图 5 患者样本中的CTC计数

如图5，研究人员对胰腺癌和肺癌患者样本中的CTC进行计数，并与传统免疫荧光染色方法对比，发现生物激光方法检测到的CTC数量趋势与传统方法相似，但数值普遍较低，这可能是由于两种方法在样本制备过程中细胞损失率不同。不过，这依然表明生物激光方法能有效检测CTC的异常染色质和微环境差异。

这项研究成果意义重大，其无抗原依赖的CTC检测系统有望简化CTC检测和分离流程，更便于临床和科研使用。未来，研究团队计划优化生物激光平台，提高检测效率，探索新的神经网络模型，并开展更多临床研究，推动该技术在癌症诊断领域的广泛应用。

原文链接：https://doi.org/10.1016/j.bios.2024.116984