面向实时细胞分选的可扩展现场FPGA加速深度学习
机器学习
2025-12-09 v2
摘要
精确的细胞分类是生物医学诊断和治疗监测中至关重要的，尤其是用于识别参与 various diseases 的多样化细胞类型。传统的细胞分类方法，如流式细胞术，依赖于分子标记，这些标记往往成本高昂、耗时且可能损伤细胞完整性。为克服这些限制，我们提出一种面向实时分选应用的无标签机器学习框架，用于基于明亮场显微镜图像的细胞分类。该方法利用教师-学生模型架构，通过知识蒸馏实现高效和可扩展性，适用于不同细胞类型的分类。通过 lymphocyte 子集分类的用例演示，我们的框架准确地对T4、T8和B细胞类型进行了准确分类，数据集包含80,000张预处理图像，可通过开源Python软件包轻松适配。我们的教师模型在区分T4细胞和B细胞方面达到了98%的准确率，在T8和B细胞之间进行零样本分类时达到了93%的准确率。令人惊叹的是，我们的学生模型仅使用教师模型参数的0.02%，实现了场可编程门阵列(FPGA)部署。我们的FPGA加速学生模型实现了仅14.5微秒的超低推理延迟和24.7微秒的细胞检测到分选触发的完整时间，相对于前一代实时细胞分析算法在推理和总延迟方面分别实现了12倍和40倍的改进，同时保持与教师模型相当的准确性。这一框架为 lymphocyte 分类提供了可扩展且高性价比的解决方案，也为使用现场深度学习在普通计算硬件上实现快速识别子集的实时细胞分选提供了新的SOTA实现。
引用
@article{arxiv.2503.12622,
title = {Real-Time Cell Sorting with Scalable In Situ FPGA-Accelerated Deep Learning},
author = {Khayrul Islam and Ryan F. Forelli and Jianzhong Han and Deven Bhadane and Jian Huang and Joshua C. Agar and Nhan Tran and Seda Ogrenci and Yaling Liu},
journal= {arXiv preprint arXiv:2503.12622},
year = {2025}
}