Advances in machine learning–enhanced microfluidic cell sorting

机器学习增强的微流控细胞分选技术进展

主讲人：李世伟，2026年9月13日

研究背景：

  细胞分选是肿瘤早筛、病理机制、单细胞分析的核心前处理技术。传统流式细胞仪、免疫磁珠分选存在操作复杂、通量受限、纯度不稳定等短板。 微流控技术分为主动分选（外场：磁、电、声、光调控细胞运动）与被动分选（依靠通道结构、流体力学实现无标记分离），具备微型化、高通量、低样本消耗优势，在循环肿瘤细胞 CTC、单细胞测序样本制备有巨大潜力。

但微流控会产生海量图像、光谱、轨迹数据，传统依靠人工提取细胞形态特征的方式，耗时、主观性强、抗干扰差；临床样本高度异质，碎片、蛋白聚集体容易堵塞微通道、干扰分选，单纯依靠流体物理调控难以区分物理特征高度相似的细胞亚群，制约临床转化落地，因此需要引入机器学习解决数据分析与智能决策瓶颈。

当前已有研究进展

1.微流控分选硬件层面：主动（MACS 磁激活、DEP 介电电泳、声流体、光镊）；被动（DLD 确定性侧向位移、惯性微流控、黏弹性微流控）技术均已大量开发，各有优缺点，但大多依靠预设物理阈值完成分选。

2.机器学习和微流控的交叉已有零散报道：用于芯片仿真优化、液滴参数预测、细胞识别。但缺少系统综述，尤其缺少针对微流控细胞分选场景下传统机器学习、深度学习的系统梳理；很多方案仅实验室验证，硬件 软件融合落地困难。

研究内容：

本文是一篇综述，系统梳理  机器学习增强微流控细胞分选  ，搭建完整分析框架：技术原理→算法集成→应用拓展。

1.系统归纳微流控细胞分选两大技术路线

主动分选：依靠磁场、电场、声场、光场等外场操控细胞，包括磁激活分选 MACS、介电电泳 DEP、声流体分选、光镊 OT；分析每种技术原理、代表案例、固有瓶颈（设备笨重、生物相容性、通量‑分辨率权衡）。

被动分选：无外场，依靠通道几何与流体力学；重点讲解 DLD 确定性侧向位移、惯性微流控、黏弹性微流控；适合无标记高通量分离，但对样本粘度、细胞尺寸差异依赖性高，容易堵通道。

2.分两大类梳理机器学习在分选当中的应用

① 传统机器学习：监督学习（LDA 线性判别分析、KNN、逻辑回归 LR、SVM 支持向量机、集成学习：随机森林、XGBoost）；无监督学习（K‑means 聚类、PCA 主成分分析）。

特点：需要人工设计特征，利用细胞光谱、形态、力学、标志物信号做分类；文中引用了我们之前读的卵巢 sEV 使用 LDA、随机森林做分型的案例。优点运算快；缺点复杂异质样本泛化能力有限。

②深度学习 DL：MLP 多层感知机、CNN 卷积神经网络、YOLO 目标检测、ResNet 残差网络。

特点：不需要人工设计特征，直接从图像原始数据自动提取纹理形态特征；擅长复杂细胞识别；适合高通量图像式微流控分选，但对数据集、算力要求高。

3.梳理机器学习的价值：

对微流控硬件：仿真优化流场、辅助芯片逆向设计；

对细胞识别分类：自动识别细胞图像、光谱、轨迹，提升相似细胞亚型分选准确率；

纠错：抵抗杂质、光照波动、流速扰动带来的干扰，提升系统鲁棒性。

总结与展望：

微流控实现了细胞的微型化、高通量分选；机器学习（传统 ML + 深度学习）解决微流控海量数据解析难题，弥补纯物理分选的局限，提升分选精度、自动化程度。

传统机器学习适合特征明确、中小数据集场景，运算开销低；

深度学习擅长复杂图像，自动挖掘肉眼看不到的细胞表型特征。

但目前大多停留在实验室原型。

未来展望（文章提出的方向）

1. 微流控系统设计：开发分选‑原位检测‑单细胞分析一体化片上系统；可编程多物理场耦合；面向 3D 类器官的微流控操控。

2. 算法层面：多模态数据融合（图像 + 光谱 + 流体轨迹）；引入大语言模型 LLM、视觉 Transformer；开发轻量化模型适配片上边缘设备；实现 “检测‑反馈‑调节微流控参数” 闭环智能系统。

3. 面向精准医疗，推动智能微流控从实验室原型走向临床样本真实应用。