基于流动深度学习全息术检测癌症患者循环肿瘤细胞
光学
2025-07-10 v1 医学物理
摘要
循环肿瘤细胞（CTC）是血液中发现的癌细胞，作为早期癌症检测、预后评估和疾病监测的生物标志物。然而，CTC检测因细胞稀少和异质性而具有挑战性。数字全息显微镜（DHM）提供了一种有前景的、无标签的方法，通过捕获优于传统成像方法的更优越形态信息，同时保持与流动数据采集的兼容性。我们提出了一种简化的DHM系统，将微流体富集与深度学习驱动的图像分析相结合，补充了免疫荧光轮廓，以提高CTC枚举的灵敏度和特异性。具体而言，我们的平台将惯性微流体预处理与双模态成像相结合，将全息图与最多两个标记的荧光传感相集成。一个在多样化的健康血液样本和癌症细胞系上训练的深度学习模型，实时执行，为每个细胞提供形态置信度，然后可与免疫荧光标准结合用于枚举。在一项试点研究中，我们在晚期前列腺癌患者（n=13）中检测到的CTC数显著高于健康对照组（n=8），患者水平的假阳性率为1个/毫升。值得注意的是，近六成识别出的CTC为EpCAM阴性但PSMA阳性（一种前列腺特异性腺体标志物），这表明将EpCAM作为CTC的常规腺体标志物可能导致假阴性。这些发现凸显了DHM在包括但不限于筛查、诊断和精密肿瘤学中的潜在应用。
引用
@article{arxiv.2507.06536,
title = {Circulating tumor cell detection in cancer patients using in-flow deep learning holography},
author = {Kevin Mallery and Nathaniel R. Bristow and Nicholas Heller and Yash Travadi and Ali Arafa and Kaylee Kamalanathan and Catalina Galeano-Garces and Mahdi Ahmadi and Grant Schaap and Alexa Hesch and Olivia Hedeen and Zikora Izuora and Joel Hapke and Jeffrey Miller and Arjun Viswanathan and Ivo Babris and Songyi Bae and Tuan Le and Tony Clacko and Emmanuel S. Antonarakis and Badrinath R. Konety and Justin M. Drake and Jiarong Hong},
journal= {arXiv preprint arXiv:2507.06536},
year = {2025}
}
备注
35 pages, 10 figures, 5 tables