AI辅助数字同轴全息显微技术实现红细胞旋转动力学的时空追踪

研究人员针对传统数字同轴全息显微技术(DIHM)难以测量双凹面红细胞(RBCs)深度位置和三维取向的难题，创新性地结合人工智能(AI)与DIHM技术，开发了一种非侵入式分析方法。通过构建包含离面角度标签的红细胞全息数据集，利用结构相似性指数(SSIM)聚焦函数定位细胞深度位置，并训练深度学习网络预测取向。该技术成功应用于突扩管道中红细胞4D(三维空间+时间)运动分析，为血液疾病相关异常红细胞的微流控诊断提供了新工具。

　　

在血液微循环研究中，红细胞的旋转和变形行为与糖尿病、镰刀型贫血等血液疾病密切相关。然而，传统光学显微镜仅能观测二维平面运动，数字全息技术虽能记录三维信息，但对双凹面红细胞的深度定位和取向测量仍存在技术瓶颈。尤其当红细胞在突扩管道等复杂流场中运动时，其四维(4D)动力学数据难以获取，制约了血液疾病机理研究和诊断技术发展。

针对这一挑战，浦项科技大学的研究团队在《Optics》发表论文，提出AI辅助的数字同轴全息显微技术(DIHM)。研究采用健康志愿者提供的红细胞样本，在粘弹性流体中诱导其翻滚运动以生成训练数据。关键技术包括：基于结构相似性指数(SSIM)的自动聚焦算法定位Z轴位置，卷积神经网络(CNN)回归分析预测离面角度θ，以及Gerchberg-Saxton迭代相位恢复算法重建全息图。

样本制备
实验使用肝素抗凝的健康人血，经磷酸盐缓冲液(PBS)洗涤后重悬于聚乙烯醇(PVA)溶液。通过微流控芯片产生粘弹性流体环境，诱导红细胞发生周期性翻滚运动。

整体流程
研究构建了包含聚焦全息图与离面角度标签的数据集，分别用于训练SSIM聚焦算法和CNN回归模型。Laplacian(LAP)和SSIM函数对比显示，SSIM在深度定位中具有更高鲁棒性。

讨论
与传统方法相比，该技术首次实现了突扩管道中红细胞4D运动的完整追踪。实验验证了红细胞与椭球体旋转行为的相似性，为建立简化力学模型提供了依据。

结论
该研究突破性地将AI与DIHM结合，解决了非球形颗粒4D动力学测量的世界性难题。未来可拓展至异常红细胞检测，为微流控血液诊断设备的开发奠定技术基础。研究获得韩国国家研究基金会(NRF)和美国国家科学基金会(NSF)资助，通讯作者为Sang Joon Lee。