微流控AI血细胞计数系统

本文介绍了以色列 Sight 开发的血细胞计数设备。

相关内容可参考流式细胞仪中的鞘流技术解析、基于显微成像的家庭用全血细胞计数微流控系统（附视频）、基层医疗POCT血球解读（第六篇）、手掌型血液分析仪结合微流控与图像检测实现血细胞计数、用于全血细胞计数(CBC)的微流控芯片。

图 1

图 2

如图 2 所示，设备配套的一次性检测组件包括一个微流控芯片、两个用于采样的毛细管以及一个装有试剂的混合瓶。

其中，微流控芯片包含两个独立的样本室：血红蛋白室和成像室。

图 3

如图 3，在样本准备阶段，一滴未稀释的血液（17 μl）被注入血红蛋白室；在指尖采血过程中，可直接使用提供的毛细管从刺破的手指采集这滴血液。

第二个毛细管（涂有 K2EDTA）用于收集另外 10 μl 血液，并与混合瓶中的稀释液和干燥荧光染料混合。随后，所得血液混合物被注入成像室。

备注：K2EDTA 在血液样本中用于防止血液凝固。

图 4

图 5

Sight OLO 同时采用明场和荧光显微镜技术，通过光学和化学特性区分不同的细胞群体。

系统使用 5 种照明波长生成血液样本的多光谱图像：紫色（405 nm）、绿色（517 nm）、红色（633 nm）、明场通道以及紫外线（365 nm）和蓝色（460 nm）荧光通道。

样本制备过程中包含两种荧光试剂，它们在血液稀释时与血液混合。一种试剂用于染色细胞核 DNA，另一种试剂用于染色 DNA、RNA 和酸性细胞器。

此外，紫光照明被血红蛋白高度吸收，有助于识别红细胞并量化细胞血红蛋白含量。更多内容可参考生化检测中血红蛋白(Hemoglobin)的定义。

图 7 以伪彩色形式展示了 OLO 捕获的不同正常和异常血细胞类型的特征图像。

图 7

除了显微镜检测外，Sight OLO 还采用一种无需溶解、无试剂的工艺测量血红蛋白，利用 4 种波长计算吸收和散射。血红蛋白室通过毛细管作用直接充满未稀释的全血，并包含多个测量区域，这些区域因光程长度不同而有所差异。这些区域用于生成差分测量值，以校正系统参数（如照明强度和制造公差）。

红细胞

分析仪的算法利用明场图像识别红细胞 (RBC)，其中包括在红细胞血红蛋白含量高度吸收的紫色通道中的图像。

这使得检测算法能够区分红细胞区域与背景。然而，由于红细胞可能彼此过于接近而重叠，这种现象可能干扰细胞计数和测量结果。因此，一旦识别出候选细胞，就会对其进行重叠筛选，并根据形态特征将它们拆分为单个细胞，以实现精确计数。

卷积神经网络 (CNN) 算法进一步用于表征红细胞，以估算细胞特性，如平均细胞血红蛋白 (mean cell hemoglobin，MCH)。还可以从图像中获取平均细胞体积 (mean cell volume，MCV) 和平均细胞血红蛋白浓度 (mean cell hemoglobin concentration，MCHC)。

白细胞

白细胞 (WBC) 候选细胞通过细胞核和细胞质的荧光染色进行检测。

然后根据大小和形状筛选候选细胞（典型样本中约有一千个），以防止碎片和其他未识别物体进入分类过程。

两个荧光通道与明场通道结合，用于将每个细胞分类为特定的 WBC 类型。

每个细胞的图像被分割为细胞核和细胞质。通过计算细胞、细胞质或细胞核的不同特征进行表征，这些特征包括形态特征（如面积和直径）、强度特征（荧光发射或明场吸收）或纹理（如细胞核和细胞质在其识别区域中的荧光标准偏差）。

随后，通过机器学习分类算法，使用这些特征对不同的 WBC 类型（包括异常细胞类型）进行分类。

图 8

血小板

血小板通过荧光染色检测。然而，由于血小板的 RNA 含量较低，因此需要更长的曝光时间以获得足够强的信号来超越背景。该信号与明场通道结合用于检测候选者。

然而，细胞碎片和碎屑比其他两种细胞类型更小且亮度更低，有时也会被误检测为血小板候选者。

因此，首先根据形态和强度特征筛选候选者，然后应用多个卷积神经网络进行训练，以在不同情况下准确区分血小板和背景，从而识别真正的血小板。

参考文献

An artificial intelligence-assisted diagnostic platform for rapid near-patient hematology.

-------------------------------------------------------