《Results in Engineering》：Robust Image-Based Cell Phenotyping via Stability-Guided Decoupling of Hydrodynamic Artifacts in Hyperbolic Microchannels
编辑推荐：
基于微流控通道的图像细胞表型分析可实现高通量、无标记的单细胞分析。然而，从非均匀微通道几何结构中流动细胞提取的动态特征常受操作流条件影响，可能将流关联变异引入表型模式，限制表型模型的鲁棒性与泛化性。研究人员提出一种稳定性引导分析框架，用于操作上解耦流体力学伪影
基于微流控通道的图像细胞表型分析可实现高通量、无标记的单细胞分析。然而，从非均匀微通道几何结构中流动细胞提取的动态特征常受操作流条件影响，可能将流关联变异引入表型模式，限制表型模型的鲁棒性与泛化性。研究人员提出一种稳定性引导分析框架，用于操作上解耦流体力学伪影贡献与动态细胞特征，实现双曲微通道中鲁棒的基于图像的细胞表型分析。利用自定义自动化图像分析流水线表征正常卵巢上皮细胞与三种卵巢癌细胞系的形态动力学、运动学及细胞相关灰度密度轨迹，构建93维动态特征空间。为识别任务相关描述符，研究人员实施基于多流速下非参数结构一致性与统计稳定性的跨流筛选策略。分析表明相当比例的动态特征表现出显著的流条件变异。稳定性引导筛选促进流体力学伪影解耦，将原始特征空间缩减为任务特定子集：癌症-正常分类20特征，癌症亚型分型25特征。方差归因分析进一步确认流关联效应大幅降低，例如亚型分类任务中主导主成分（PC1）的流相关方差贡献从69.9%降至9.3%。尽管降维，精炼特征子集在多种机器学习模型与不同数据采样条件下维持分类性能。结果表明动态细胞特征对流条件高度敏感，稳定性引导筛选可在保留任务相关表型信息的同时降低流条件伪影贡献，为连续流细胞分析提供鲁棒框架。
研究背景方面，基于明场的无标记图像细胞表型分析通过提取几何、形变、运动与灰度强度动态描述符，配合机器学习分类器实现高通量单细胞筛查。传统均匀截面微通道仅提供准静态形变指标，难以捕捉空间变化流体应力下的瞬态响应；而双曲收缩-扩张微通道凭借近恒定拉伸应变率，可诱导细胞在入口、喉部、释放区产生连续形变与恢复轨迹，但也使动态特征高度耦合于操作流速等流体力学条件，产生流条件伪影，削弱跨条件泛化能力。为此，研究人员以卵巢来源细胞面板（正常IOSE-80与A2780、SKOV-3、OVCAR-3三株卵巢癌）为模型，提出稳定性引导解耦框架，旨在从93维动态特征中筛出跨流速稳健的任务相关描述符。
论文发表于《Results in Engineering》。关键技术方法上，研究人员搭建对称双曲收缩-扩张聚二甲基硅氧烷（PDMS）微通道（喉半宽6 μm，深15 μm），在10、20、30 μL/h三流速下以2000帧/s明场高速成像采集单细胞过境序列；通过OpenCV流水线做背景减除、二值化与形态学滤波，提取逐帧轮廓、质心、速度及归一化灰度，按通道参考轴向位置将轨迹分为入口（E）、收缩（C）、释放（R）、出口（X）四段，构造含阶段统计、阶段间过渡、轨迹级动态与全局响应四类共93维描述符；采用Cliff's delta（δ）效应量作跨流速非参数一致性检验，结合Bootstrap 95%置信区间与双阈值（跨条件均值与最差条件最小值均超基线）筛选稳定特征；以PCA（主成分分析）配合ANOVA方差归因子流率与表型类贡献；最终用SVM、LR、RF、KNN在多划分比例下做分类验证。
研究结果部分，2.1节“比较子空间评估与任务依赖描述符”中，研究人员将93维空间拆为基于Roundness、Aspect Ratio、Taylor参数的三个77维同构子空间分别交叉验证，发现癌症-正常二分类（Phenotype 1）偏好Roundness子空间，癌症亚型多分类（Phenotype 2）中Taylor与Aspect Ratio性能几乎饱和且Taylor参数因有界归一化更适合作代表，据此锁定任务特定77维入口空间。2.2节“稳定性引导特征选择与组成映射”中，对上述子空间逐特征算跨10/20/30 μL/h的δ方向与量级，要求符号一致（二分类）或绝对δ序关系不变（多分类）、Bootstrap CI不为零且双阈值达标，最终从Roundness子空间留20特征、Taylor子空间留25特征；留存特征覆盖灰度过渡（dMeanGray_CR、dMeanGray_RX）、速度波动（FV_R、dV_RX）、阶段速度（V_C、V_X）等，三元图显示其形态/灰度/运动学比例均衡，未挤占阈值边界。2.3节“PCA与方差归因”显示全空间PC1流率贡献达69.9%，精简后亚型任务降至9.3%，表型类贡献相应提升，证明伪影解耦生效。2.4节“分类验证与分离度”中，20与25维子集在SVM等四模型下Macro-F1与ROC-AUC不劣于93维全空间（二分类Macro-F1≈0.91、AUC≈0.97；亚型Macro-F1≈0.975、AUC≈0.998），复合分离度Scomp（Bhattacharyya距离+对称KL+ln(1+Fisher比)）随训练比50:50至90:10保持高位，平衡子采样敏感性分析结论不变。
讨论与结论翻译部分，研究人员指出：动态细胞特征对流速高度敏感，仅子集在跨流条件下保持判别结构；稳定性引导筛选通过跨流效应量一致性检验，在剔除流体力学伪影的同时保留任务相关表型信息，使PC1流方差从69.9%降至9.3%；降维后子集在多种机器学习架构与采样条件下分类性能不退化。该框架为连续流无标记细胞分型提供了将操作条件稳定性嵌入特征构建与解释的通用策略，可拓展至其他流体力学耦合的动态显微表型场景。
