综述：从微滴到诊断：数字核酸扩增检测中的人工智能驱动成像与系统集成

这篇综述系统阐述了人工智能（AI）在数字核酸扩增检测（dNAAT）中的革命性应用，涵盖数字PCR（dPCR）和等温扩增技术（dIATs），重点分析了AI驱动的荧光图像分析从传统分类器到现代深度学习（如YOLOv5、ViT、GPT-4o）的演进，并提出了涵盖样本制备、分区、扩增、检测和分析的五阶段框架，为精准诊断的自动化和可扩展性提供了新范式。

　　

引言

核酸作为遗传信息的载体，其精准定量对感染病原体检测、突变监测和诊疗决策至关重要。数字核酸扩增检测（dNAAT）通过单分子分区检测实现绝对定量，但临床推广仍受限于分区多样性、信号解读和工作流整合等挑战。人工智能（AI）的引入为突破这些瓶颈提供了全新解决方案，尤其在荧光图像分析领域展现出变革潜力。

技术基础与临床价值

dNAAT的核心创新在于微尺度反应器的设计，将样本分割为数千个皮升级微区室进行并行扩增，通过泊松统计实现无需标准曲线的绝对定量（图2）。相比定量PCR（qPCR），dPCR在灵敏度（可检测1/200,000的突变基因）、精密度（1%拷贝数变异分辨力）和抗干扰性上具有显著优势。等温扩增技术（如dLAMP、dRPA）进一步简化了仪器需求，适合现场快速检测。

AI的整合显著提升了dNAAT的分析效能。早期机器学习方法（如k-NN、SVM）虽实现85-90%的准确率，但依赖人工特征工程。深度学习模型（如CNN、YOLOv5）通过端到端学习将分类准确率提升至99.71%，而新兴的基础模型（如SAM）更以零样本学习实现跨平台通用分析。例如，SAM-dPCR无需训练即可处理600个微滴/帧，准确率达97.10%。

AI驱动的优化策略

AI在dNAAT中的核心挑战包括微滴分割精度、荧光信号分类及数据偏差校正。创新方案如注意力机制（CBAM-YOLOv5）将误判率降至0.65%，而视觉Transformer（ViT）在单通道多重检测中实现98.65%的分类准确率。无标记检测技术（如StratoLAMP）通过沉淀物分层分析，结合Mask R-CNN模型，以94.3%的准确率实现多重靶标检测，摆脱了荧光标记依赖。

集成化系统如智能手机兼容的SPEED dPCR（图4e）和离心微流控LOAD设备（图4a）展示了POCT应用的潜力。其中，SIMPLE芯片通过真空驱动和预载试剂，30分钟内完成全血样本的核酸定量，检测限达10拷贝/μL。

挑战与未来方向

当前瓶颈包括数据稀缺性（公开dPCR图像不足1000张）、模型泛化性（跨平台性能波动）及临床合规性。解决方案可能涉及合成数据生成（扩散模型FID<15）、联邦学习框架和可解释AI（XAI）模块。未来，AI原生系统将推动低体积、高通量检测的发展，结合纳米技术和生物传感器，拓展其在癌症液体活检和耐药基因监测等领域的应用。

结论

AI与dNAAT的融合正重塑分子诊断范式，从实验室走向床旁。通过标准化工作流、优化算法透明度和跨学科协作，这一技术联盟有望实现全球范围内的高精度、可及性诊断，最终赋能个性化医疗和公共卫生防控。