《npj Biosensing》：Circulating tumor cell detection in cancer patients using in-flow deep learning holography
编辑推荐：
为解决循环肿瘤细胞(CTC)检测中因丰度低、异质性高导致的灵敏度与特异性不足的难题，研究人员开展了一项结合微流控惯性富集、数字全息显微术(DHM)和深度学习图像分析的前列腺癌CTC检测研究。他们开发了一个集成平台，在晚期前列腺癌患者(mCRPC)中实现了高CTC检出率，假阳性率低至1细胞/mL。该研究表明，近三分之二的检出CTCs为EpCAM阴性但PSMA阳性，提示传统依赖EpCAM的检测方法可能导致漏检。这项研究为癌症液体活检提供了一种高灵敏度、高特异性的新方法，具有重要的临床诊断和精准肿瘤学应用潜力。
想象一下，在人体内，有少数癌细胞从原发肿瘤上脱落，悄悄地混入血液的“高速公路”中，四处游荡。这些“流动的癌细胞”，也就是循环肿瘤细胞(Circulating Tumor Cells, CTCs)，被认为是癌症转移的“种子”，也是评估病情、判断预后的宝贵生物标志物。如果能精准地从浩瀚的血细胞海洋中识别出这些极其稀有的“坏蛋”，就等于为癌症的早发现、早干预打开了一扇新窗。然而，这绝非易事。一毫升血液中，有数十亿个红细胞、数百万个白细胞，而CTCs在早期癌症中可能不足一个，即便在晚期患者中也寥寥无几。此外，这些CTCs形态各异，表面分子标志物(如常用的上皮细胞粘附分子EpCAM)的表达也可能发生变化甚至缺失，使得传统的依赖单一标志物(如EpCAM)的检测方法常常“抓瞎”，导致大量“漏网之鱼”。为了破解这个难题，科学家们迫切需要一种能够不依赖特定分子标签、同时又具备高灵敏度和高特异性的新型检测技术。
近日，一项发表在《npj Biosensing》上的研究给出了一个创新的解决方案。研究人员开发了一个集成了微流控惯性富集、数字全息显微术(Digital Holographic Microscopy, DHM)和双通道免疫荧光(Immunofluorescence, IF)分析的平台，并利用深度学习模型进行实时图像分析，旨在实现对CTCs的高精度、高通量、在流检测。这项研究的核心在于，它不单纯依赖CTCs表面的生化标志物，而是利用DHM这种无标记技术，捕捉细胞完整的形态学和光学厚度信息，再结合深度学习模型从海量健康细胞和癌细胞图像中学习出的特征，对CTCs进行“面容识别”。这种方法有望检测到那些因发生上皮-间质转化(Epithelial-Mesenchymal Transition, EMT)而下调EpCAM等上皮标志物的CTCs，从而大大提高检出率。
为开展这项研究，研究人员综合运用了以下关键技术方法：首先，利用其专利的锯齿状微流控芯片对全血样本进行惯性富集，去除超过99.999%的红细胞和约99.6%的白细胞，实现CTC的百倍以上富集。其次，构建了一个双模态在流成像系统，通过405nm脉冲激光进行DHM成像，同时利用488nm激光激发并检测PSMA和EpCAM的免疫荧光信号。最关键的是，他们开发了一个基于改进的高分辨率网络(HR-Net)的深度学习模型，该模型在包含590万张健康细胞图像和310万张来自25种不同细胞系的癌细胞图像的大型数据集上进行训练，并采用关键点热图预测而非边界框的方式，实现对细胞的高置信度分类。临床验证队列包括13名晚期去势抵抗性前列腺癌(metastatic Castration-Resistant Prostate Cancer, mCRPC)患者和8名健康对照的血液样本。
结果部分的研究内容与结论如下：
集成平台实现高精度、高通量在流CTC检测：该平台整合了微流控惯性富集、DHM和IF三种正交技术，形成了优化的在流检测流程。微流控富集阶段大幅降低了血液背景复杂度，为后续高精度成像分析奠定基础。DHM系统实时捕获细胞的数字全息图，深度学习模型基于全息图形态特征对每个细胞进行逐个体素级别的分类，生成概率热图。IF系统则提供PSMA和EpCAM的分子表达信息。通过融合无标记的形态学分类和靶向分子信息，系统在维持高灵敏度（模型理论恢复率在选定阈值下约60%）的同时，将假阳性率降低到约1细胞/毫升的患者水平，满足了临床鉴别的要求。
深度学习框架：为解决CTC极罕见和形态高度异质性带来的训练数据难题，研究采用了创新的训练策略。模型训练使用大量健康供体血液样本作为“阴性”样本，以及多种癌细胞系悬浮液作为“阳性”样本。通过一个预先训练好的“伪标记”模型为癌细胞图像自动生成标注，并结合硬样本挖掘和不对称交叉熵损失函数，使得模型能够在没有大量真实CTC手动标注数据的情况下，学习区分癌细胞与复杂血细胞背景的有效特征，并保持实时处理高通量数据的能力。
系统验证：通过将LNCaP前列腺癌细胞系掺入健康血液的加标实验，验证了系统的检测性能。在选定的模型置信度阈值(0.5)下，系统的实验恢复率（真阳性率）约为60%，同时在健康对照样本中测得的假阳性率低于0.1细胞/毫升。基于理论CTC丰度(10细胞/毫升)估算，此时系统的阳性预测值(Positive Predictive Value, PPV)高达约0.98，表明检测结果具有极高的可信度。
患者样本性能：在临床队列验证中，系统成功区分了晚期前列腺癌患者与健康对照。CTC的判定标准为模型置信度>0.5且PSMA荧光信号阳性。结果显示，患者组的CTC中位数为12.5细胞/毫升，显著高于健康对照组的1.5细胞/毫升。一个关键的发现是，患者中检测到的PSMA阳性CTCs里，仅有37%同时表达EpCAM，这意味着近三分之二的CTCs是EpCAM阴性的。这一发现直接挑战了传统依赖EpCAM的CTC检测方法（如CellSearch?）的可靠性，凸显了本平台结合无标记形态学分析与替代标志物(如PSMA)在捕获更全面CTC群体方面的优势。代表性患者CTC的全息图和对应的IF信号展示了其形态和抗原表达的异质性。
在讨论与结论部分，研究者强调了本研究的创新性和临床意义。这项研究首次展示了一个基于深度学习的DHM系统，能够实现高CTC回收率的同时，将患者水平假阳性率控制在1细胞/毫升以下，这对于CTC通常极为稀少的临床样本检测至关重要。与现有的主要依赖生化标记物（如CellSearch?）或物理属性（如Parsortix?）的CTC检测平台相比，本平台的优势在于其“正交”设计：无标记的DHM能够捕获不依赖表面标志物的广谱形态信息，而IF提供了分子特异性验证，两者融合既扩大了对异质性CTC（包括EpCAM阴性亚群）的检出范围，又通过双重验证保证了高特异性。此外，平台流程紧凑，处理10毫升血样约需6小时，且对样本采集后处理时间有一定宽容度，展现出良好的临床工作流程兼容性和可扩展性。
研究结论指出，该集成平台为前列腺癌及其他癌症的液体活检提供了一种高灵敏度、高特异性的强大工具。它不仅能更准确地枚举CTC，其无标记、非破坏性的特性还有利于后续分离存活CTC进行单细胞多组学分析等下游研究，助力精准肿瘤学。未来的发展方向包括在更大规模、更多癌种的前瞻性队列中验证其分析效能和临床效用，以及探索完全依赖深度学习分析全息图像的纯无标记检测方案，以进一步简化流程、降低成本，推动其在癌症早筛、疗效监测和复发预警等场景中的广泛应用。
