周詩(shī)正，陳 琳，顏 洪，傅鵬程

（海南大學(xué) 南海海洋資源利用國(guó)家重點(diǎn)實(shí)驗(yàn)室，?？?570100）

在海洋中，蟲黃藻與珊瑚可以形成共生關(guān)系，依靠蟲黃藻、適鹽生物與珊瑚宿主的相互結(jié)合來生活和適應(yīng)不同的環(huán)境與壓力條件[1-3]。由于人類活動(dòng)和氣候變化，在全球范圍頻繁發(fā)生大規(guī)模的珊瑚礁白化事件。蟲黃藻密度的變化反映蟲黃藻的光化學(xué)能力，測(cè)定蟲黃藻的種類與密度對(duì)珊瑚白化具有重要的預(yù)測(cè)意義[4]。目前，快速、準(zhǔn)確地檢測(cè)海洋微藻細(xì)胞存在較大的局限[5]，特別是在蟲黃藻種群和計(jì)算密度的方法上。研究人員采樣后需要將樣品固定后帶回實(shí)驗(yàn)室再進(jìn)行檢測(cè)鑒定，固定劑加上長(zhǎng)時(shí)間的運(yùn)輸導(dǎo)致樣品中絕大部分藻類死亡，而無(wú)法區(qū)分正常的蟲黃藻細(xì)胞和白化珊瑚體內(nèi)或游離的失去色素的蟲黃藻細(xì)胞。此外，由于藻體離開了原本的生存環(huán)境，在運(yùn)輸途中易受到溫度、光照和壓強(qiáng)等其它因素的影響，使細(xì)胞的一些特征發(fā)生改變。被稱為“芯片上的實(shí)驗(yàn)室”的微流控技術(shù)，具有微型化、集成化、高靈敏度和低成本的特點(diǎn)，已在單細(xì)胞研究領(lǐng)域引起了越來越多的關(guān)注。微流控芯片可用于微藻細(xì)胞實(shí)時(shí)檢測(cè)和環(huán)境微生物監(jiān)測(cè)[6-7]，目前主要的檢測(cè)方法是在芯片上采集微藻細(xì)胞的葉綠素?zé)晒庑盘?hào)[8]、電化學(xué)信號(hào)[9-10]與施加外部物理場(chǎng)[11]，這些方法很難對(duì)未知的和混合的微藻細(xì)胞進(jìn)行分類和鑒定，因?yàn)樵S多亞型的甲藻細(xì)胞在外觀上只表現(xiàn)出微小的差異，其物理和化學(xué)性質(zhì)沒有變化，而且建立電場(chǎng)和其他物理場(chǎng)對(duì)活體細(xì)胞有侵入性，不利于下游細(xì)胞分析。

深 度 學(xué) 習(xí) 神 經(jīng) 網(wǎng) 絡(luò) （Deep Learning Neural Network，DLNN）是人工智能領(lǐng)域中的一種技術(shù)架構(gòu)，其已被廣泛應(yīng)用于微流控芯片設(shè)計(jì)[12-13]、細(xì)胞檢測(cè)[14-16]、細(xì)胞生長(zhǎng)分析[17-18]、藥物篩選[19]等；卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是 DLNN 的一種類型，更適合于圖像分析[20-21]。細(xì)胞圖像包含表型變量、細(xì)胞內(nèi)部結(jié)構(gòu)及細(xì)胞的分子信息，如熒光標(biāo)記的基因或蛋白質(zhì)[22-23]；通過神經(jīng)網(wǎng)絡(luò)能夠?qū)@些人眼難以識(shí)別的微妙特征，如在不同Cu2+溶液處理下微藻細(xì)胞的形態(tài)變化[24]，不同培養(yǎng)條件下產(chǎn)脂微藻細(xì)胞中的脂滴大小[25-26]等。此外，神經(jīng)網(wǎng)絡(luò)還能將微藻細(xì)胞的光衍射信號(hào)重建為圖像以檢測(cè)細(xì)胞活力與類別[27-29]。微流控芯片技術(shù)避免了前期繁瑣的樣本處理，可以以動(dòng)態(tài)的形式直接檢測(cè)水樣中的活細(xì)胞，檢測(cè)后的樣本還可以保存和進(jìn)一步分析。顯微成像技術(shù)可以實(shí)時(shí)采集藻類細(xì)胞圖像數(shù)據(jù)，并利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)自動(dòng)化檢測(cè)跟蹤并識(shí)別在微流控芯片中動(dòng)態(tài)流動(dòng)的細(xì)胞。微流控芯片與神經(jīng)網(wǎng)絡(luò)能夠根據(jù)不同的細(xì)胞類型靈活設(shè)計(jì)，為實(shí)時(shí)檢測(cè)多種海洋微藻細(xì)胞提供了可能性。本研究結(jié)合微流控芯片技術(shù)、顯微成像技術(shù)與深度神經(jīng)網(wǎng)絡(luò)，提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的活體蟲黃藻檢測(cè)方法，用于快速、無(wú)標(biāo)簽、低成本地檢測(cè)活體蟲黃藻。

1 材料與方法

1.1 微流控芯片設(shè)計(jì)與制作在微流控芯片上設(shè)計(jì)了多個(gè)不同寬度的通道，使該芯片能夠承載不同大小與形狀的細(xì)胞的樣本溶液。每個(gè)通道具有相同的結(jié)構(gòu)，由1個(gè)樣品入口、1個(gè)出口、1個(gè)聚焦微通道和1個(gè)成像區(qū)域組成。樣品入口和出口的直徑和深度分別為0.7 mm和3 mm。通過1個(gè)截面逐漸縮小的聚焦微通道，蟲黃藻細(xì)胞能夠有序地流動(dòng)至成像區(qū)，避免了細(xì)胞因通道界面突然變小而導(dǎo)致的細(xì)胞聚集和堵塞。4個(gè)聚焦微通道的寬度分別為50 、75 、100 、125 μm，長(zhǎng)度均為5 mm。成像區(qū)在聚焦微通道的中間，寬 300 μm，長(zhǎng) 500 μm。微流控芯片是由標(biāo)準(zhǔn)軟光刻技術(shù)將單層聚二甲基硅氧烷（Polydimethylsiloxane，PDMS）（Slygard184，道康寧，美國(guó)）與玻璃鍵合而成。

1.2 藻種培養(yǎng)與熱脅迫選用蟲黃藻作為檢測(cè)對(duì)象，從西島（海南三亞，北緯 18°14′16″，東經(jīng)109°21′54″）的硬骨珊瑚Galaxea fascicularis中分離出來，通過測(cè)序鑒定，該蟲黃藻的種株為Cladocopiumsp.C1 (Symbiodiniaceae)。培養(yǎng)蟲黃藻所用的培養(yǎng)基為標(biāo)準(zhǔn)的f/2人工海水培養(yǎng)基。將蟲黃藻菌株的種子接種至培養(yǎng)基后放入恒溫光照培養(yǎng)箱（PGX-450D, 寧波賽福實(shí)驗(yàn)儀器有限公司，中國(guó)）中培養(yǎng)，培養(yǎng)箱溫度設(shè)置為25 ℃，光照條件為200 μmol·m-2·s-1，光暗周期為 12 h∶12 h。每隔 2 d 取少許藻液，用分光光度計(jì)（ThermoSpectronic Genesys?10-S, 貝克曼庫(kù)爾特有限公司，美國(guó)）測(cè)定3次樣品在 730 nm處的光密度（OD730）并取平均值，監(jiān)測(cè)液體培養(yǎng)中蟲黃藻細(xì)胞的生長(zhǎng)。用血細(xì)胞計(jì)數(shù)法測(cè)量藻液密度。

采用熱脅迫的方式使蟲黃藻失活褪色。在超凈工作臺(tái)下取部分健康的蟲黃藻溶液于錐形瓶中，將錐形瓶放入恒溫光照培養(yǎng)箱中，培養(yǎng)箱溫度為 40 ℃，光照條件為 200 μmol·m-2·s-1，在該條件下對(duì)蟲黃藻進(jìn)行2 h的熱脅迫。

1.3 樣品處理采用直徑為 20 μm 的 PMMA（polymethyl methacrylate）微球（東莞科邁新材料有限公司，中國(guó)）對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行性能測(cè)試。微球密度為 1.19 g·cm-3，粒徑偏差小于10%。稱取6.0 g的微球，將其溶解于10 mL磷酸鹽緩沖鹽水中(PBS×1，武漢賽維爾生物科技有限公司 ，中國(guó))。取5 mL健康的蟲黃藻細(xì)胞溶液與5 mL漂白的蟲黃藻細(xì)胞溶液，用PBS緩沖液分別將兩者的細(xì)胞密度稀釋至 6×105個(gè)·mL-1。本試驗(yàn)不對(duì)藻細(xì)胞溶液進(jìn)行離心過濾，以保留溶液中死亡的細(xì)胞、細(xì)胞破裂碎片等雜質(zhì)，模擬在野外條件采集的水體樣本，同時(shí)，這些溶液中的雜質(zhì)也作為圖像中的噪聲存在，在進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程中可以增加模型的魯棒性，在結(jié)果測(cè)試中雜質(zhì)的存在也能更加全面地反映細(xì)胞檢測(cè)的精確度。

1.4 蟲黃藻檢測(cè)基于深度神經(jīng)網(wǎng)絡(luò)的活體蟲黃藻檢測(cè)方法主要包括3個(gè)模塊，分別為進(jìn)樣模塊、微流控模塊、數(shù)據(jù)采集與處理模塊（圖1）。進(jìn)樣模塊負(fù)責(zé)控制和驅(qū)動(dòng)甲藻細(xì)胞通過注射器泵進(jìn)入微通道；微流控模塊承載細(xì)胞流動(dòng)以進(jìn)行實(shí)時(shí)的細(xì)胞圖像捕獲；數(shù)據(jù)采集與處理模塊包括1個(gè)CMOS相機(jī)與1臺(tái)微型計(jì)算機(jī) (同方“機(jī)械革命Z2-Air”，中國(guó))，CMOS 相機(jī)收集、傳輸藻細(xì)胞在微通道中的圖像至計(jì)算機(jī)中，通過計(jì)算機(jī)中的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)圖像中的所有目標(biāo)進(jìn)行定位與分類，并將預(yù)測(cè)的細(xì)胞坐標(biāo)、類別與置信度實(shí)時(shí)可視化與屏幕上。檢測(cè)完成后可以通過評(píng)價(jià)指標(biāo)的計(jì)算算法評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。

圖1 基于深度神經(jīng)網(wǎng)絡(luò)的活體蟲黃藻檢測(cè)方法示意圖

由于采集的芯片上圖像屬于大背景小目標(biāo)圖像，因此，本研究所用的深度神經(jīng)網(wǎng)絡(luò)在原有YOLOv4神經(jīng)網(wǎng)絡(luò)[30]的基礎(chǔ)上進(jìn)行了優(yōu)化。優(yōu)化方法包括增大圖像輸入分辨率、數(shù)據(jù)歸一化、縮放檢測(cè)框，使神經(jīng)網(wǎng)路模型更加適用于芯片上細(xì)胞檢測(cè)。活體蟲黃藻圖像的詳細(xì)檢測(cè)流程如下：微通道中的蟲黃藻圖像被采集后重設(shè)其分辨率，輸入圖像至深度神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)經(jīng)過逐層的上采樣提取圖像特征，由大到小生成3層特征圖；隨后進(jìn)行特征尺度融合，將上層的語(yǔ)義信息表征能力強(qiáng)但分辨率低的特征圖傳遞到分辨率高但語(yǔ)義信息表征能力弱的下層特征圖上，使神經(jīng)網(wǎng)絡(luò)更為準(zhǔn)確地檢測(cè)與分割目標(biāo)。模型將預(yù)測(cè)融合后的特征圖并輸出細(xì)胞的位置、類別與置信度，最后選擇置信度最高的檢測(cè)框可視化于屏幕上，做到實(shí)時(shí)的活體蟲黃藻檢測(cè)。

1.5 數(shù)據(jù)采集與模型訓(xùn)練圖像采集和處理是基于1個(gè)倒置的顯微鏡成像平臺(tái)（DS-FI3，尼康，日本）。在倒置顯微鏡上安裝1個(gè)具有7.18 mm×5.32 mm視場(chǎng)和590萬(wàn)像素的CMOS（Complementary Metal-Oxide-Semiconductor Transistor）圖像傳感器的高清相機(jī)。相機(jī)能夠以 2 880 × 2 048 像素的分辨率采集圖像，并通過USB 3.0端口傳輸，采集時(shí)的曝光時(shí)間設(shè)定為1 μs。

在 20 倍顯微鏡物鏡（CFI PlanFluor，NA= 0.45）下分別采集了600張微球、600張正常的蟲黃藻細(xì)胞和600張漂白的蟲黃藻圖像，總的圖像數(shù)據(jù)集大小為1 800張。采用LabelImg軟件以PASCAL VOC2007的格式手動(dòng)標(biāo)注整個(gè)數(shù)據(jù)集。將總數(shù)據(jù)集圖像和對(duì)應(yīng)的標(biāo)注文件進(jìn)行隨機(jī)打亂，然后將其中20%用于模型訓(xùn)練后的測(cè)試（微球：120張；正常蟲黃藻：120張；漂白蟲黃藻：120張），80%用于訓(xùn)練和驗(yàn)證（微球：480張；正常蟲黃藻：480張；漂白蟲黃藻：480張）。3個(gè)子集之間沒有重復(fù)的圖像。

1.6 評(píng)價(jià)指標(biāo)神經(jīng)網(wǎng)絡(luò)模型輸出的預(yù)測(cè)框與人為標(biāo)注的真實(shí)框的交集和并集的比值稱為交并比（Intersection over Union, IoU）。IoU 的值越大說明預(yù)測(cè)框與真實(shí)框越貼合，檢測(cè)效果越好。根據(jù)IoU與預(yù)設(shè)閾值的比較，可以將圖像中的所有目標(biāo)物分為3類。當(dāng)神經(jīng)網(wǎng)絡(luò)所預(yù)測(cè)的物體類別與物體實(shí)際類別相同，且IoU大于或等于預(yù)設(shè)閾值時(shí)，該預(yù)測(cè)框被標(biāo)記為真陽(yáng)性（True Positive，TP），這意味著該物體被神經(jīng)網(wǎng)絡(luò)模型成功分類和定位；當(dāng)神經(jīng)網(wǎng)絡(luò)所預(yù)測(cè)的類別與實(shí)際類別不同，或是IoU小于預(yù)設(shè)閾值時(shí)，該預(yù)測(cè)框被標(biāo)記為假陽(yáng)性（False Positive，F(xiàn)P）；此外，對(duì)于同一個(gè)對(duì)象，若產(chǎn)生了多個(gè)預(yù)測(cè)框，且IoU均大于預(yù)設(shè)閾值，那么只有IoU最大的預(yù)測(cè)框被標(biāo)記為TP，其余的框被標(biāo)記為FP；其余的經(jīng)過人工標(biāo)注但未被檢測(cè)到的目標(biāo)物被標(biāo)記為假陰性（False Negative，F(xiàn)N）。根據(jù)TP、FP和FN的數(shù)量，神經(jīng)網(wǎng)絡(luò)模型的性能可以用 精 確 度 （Precision, P）、 召 回 率 （Recall, R）和F1值來評(píng)估。其計(jì)算公式如下：

式中，NTP為神經(jīng)網(wǎng)絡(luò)模型成功分類和定位的目標(biāo)總數(shù)；NFP為神經(jīng)網(wǎng)絡(luò)模型分類錯(cuò)誤或定位錯(cuò)誤的目標(biāo)總數(shù)；NFN為神經(jīng)網(wǎng)絡(luò)模型未能檢測(cè)到的目標(biāo)總數(shù)。

某一類別的對(duì)象在不同預(yù)設(shè)閾值下的精確度和召回率的曲線下面積為平均精確度（Average Precision，AP），對(duì)所有類別的 AP值取平均值，得到 mAP（mean Average Precision）。mAP 值反映了神經(jīng)網(wǎng)絡(luò)模型的整體檢測(cè)性能，范圍從0到100%，值越高說明模型的檢測(cè)精確度及抗干擾程度越強(qiáng)。

1.7 數(shù)據(jù)處理采用 Python 3.7 進(jìn)行算法編寫、神經(jīng)網(wǎng)絡(luò)模型構(gòu)建和訓(xùn)練與數(shù)據(jù)預(yù)處理。神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程采用TensorBoard X記錄并可視化。采用 OpenCV軟件庫(kù)與 GraphPad Prism 8.0軟件進(jìn)行分析作圖。

2 結(jié)果與分析

2.1 蟲黃藻的不同生理狀態(tài)蟲黃藻是一種微小的單細(xì)胞甲藻，能夠進(jìn)行光合作用。當(dāng)蟲黃藻在正常條件下生長(zhǎng)時(shí)，它們是黃褐色的（圖2-A）。熱脅迫后可能會(huì)變成白色（圖2-B）。在上述2種顏色之間，有一些淡褐色的蟲黃藻細(xì)胞，處于從正常生長(zhǎng)條件到漂白狀態(tài)的過渡階段（圖2-C）。

圖2 明場(chǎng)顯微圖像下的蟲黃藻

2.2 蟲黃藻實(shí)時(shí)檢測(cè)將 1 mL 正常蟲黃藻溶液、2 mL漂白的蟲黃藻溶液和1 mL微球溶液充分混合，設(shè)置進(jìn)樣流率為 0.20 μL·min-1，采集藻類細(xì)胞流動(dòng)的視頻數(shù)據(jù)。隨機(jī)視頻中的抽取300張關(guān)鍵幀，并對(duì)每幀圖像上的目標(biāo)細(xì)胞進(jìn)行標(biāo)注，記作實(shí)際值。隨后用訓(xùn)練好的YOLOv4甲藻細(xì)胞檢測(cè)模型檢測(cè)未標(biāo)注的300幀圖像上的目標(biāo)細(xì)胞，檢測(cè)結(jié)果記作檢測(cè)值。對(duì)比分析檢測(cè)值與真實(shí)值的差異并計(jì)算mAP值。多目標(biāo)混合溶液的檢測(cè)值與實(shí)際值如圖3所示。

圖3 多目標(biāo)溶液的檢測(cè)結(jié)果與真實(shí)值

將圖3中真陽(yáng)性樣本數(shù)和實(shí)際值進(jìn)行對(duì)比，結(jié)果發(fā)現(xiàn)，在測(cè)試數(shù)據(jù)的所有目標(biāo)對(duì)象上，共有19個(gè)正常蟲黃藻細(xì)胞、30個(gè)褪色蟲黃藻細(xì)胞和7和微球?yàn)槲幢徽_地識(shí)別出來。而假陽(yáng)性樣本，即模型的誤檢結(jié)果中，卻有26個(gè)蟲黃藻細(xì)胞、79個(gè)褪色的蟲黃藻細(xì)胞和7個(gè)微球。

本研究目前采用神經(jīng)網(wǎng)絡(luò)模型在對(duì)微流控芯片通道內(nèi)多類別物體檢測(cè)的mAP值為94%，如圖4所示。說明使用明場(chǎng)顯微圖像進(jìn)行訓(xùn)練的模型能夠較好地泛化至微流控芯片上蟲黃藻細(xì)胞的實(shí)際檢測(cè)上，且做到精確的檢測(cè)。正常和漂白的蟲黃藻細(xì)胞的mAP值為92%左右，說明約有8%的已被人為標(biāo)注的蟲黃藻細(xì)胞未能被神經(jīng)網(wǎng)絡(luò)模型檢測(cè)到或檢測(cè)到但定位錯(cuò)誤，造成這種情況的可能原因如下：1）部分蟲黃藻細(xì)胞沒有完全漂白，呈微黃色，或者在熱應(yīng)激下直接死亡，這兩種情況都使基于其算法提取蟲黃藻細(xì)胞特征的深度神經(jīng)網(wǎng)絡(luò)模型難以解釋；2）在微流控通道中，由于細(xì)胞間距小，可能導(dǎo)致細(xì)胞之間保持緊密或重疊，導(dǎo)致檢測(cè)模型將多個(gè)細(xì)胞識(shí)別為單一細(xì)胞，導(dǎo)致漏檢其他細(xì)胞。

圖4 多目標(biāo)檢測(cè)的 AP 值

2.3 方法對(duì)比將本研究中提出的方法（簡(jiǎn)稱為“本方法”）與其他通過分析圖像進(jìn)行微流控芯片上細(xì)胞檢測(cè)的方法對(duì)比，結(jié)果如表1所示。由于本研究采用的神經(jīng)網(wǎng)絡(luò)檢測(cè)算法可以自動(dòng)化地跟蹤定位相機(jī)視場(chǎng)中的每一個(gè)目標(biāo)細(xì)胞，因此在溶液進(jìn)樣時(shí)可無(wú)需設(shè)置額外的注射泵與通道進(jìn)行鞘流聚焦。設(shè)計(jì)的芯片通道寬度約為待檢細(xì)胞的8倍，不易發(fā)生堵塞，且檢測(cè)算法可只識(shí)別想要檢測(cè)的細(xì)胞類別，具有一定的抗噪能力，因此無(wú)需前處理細(xì)胞溶液，可直接注入通道中。檢測(cè)算法將細(xì)胞分割、細(xì)胞分類與細(xì)胞定位集成在一個(gè)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型中，可以以93.85%平均精確度實(shí)現(xiàn)多目標(biāo)分類，但本方法還不能將檢測(cè)分類后的細(xì)胞進(jìn)行精確分選，這尚需進(jìn)一步完善。

表 1 本方法與其他圖像激活的微流控細(xì)胞檢測(cè)方法對(duì)比

綜上所述，與正常的蟲黃藻細(xì)胞相比，在2 h熱脅迫下漂白的蟲黃藻的藻體的形態(tài)與結(jié)構(gòu)特征基本不發(fā)生改變。筆者提出的基于深度神經(jīng)網(wǎng)絡(luò)的活體蟲黃藻檢測(cè)方法以92%精確度從兩者混合的蟲黃藻溶液中識(shí)別出正常的蟲黃藻，并且還能以94%平均精確度區(qū)分出細(xì)胞與非細(xì)胞目標(biāo)，展現(xiàn)了基于深度神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法在多種類混合微藻溶液、異質(zhì)性微藻溶液乃至人體細(xì)胞上進(jìn)行自動(dòng)化實(shí)時(shí)快檢的潛力。

3 結(jié) 論

在對(duì)海洋微藻細(xì)胞的檢測(cè)上，往往無(wú)法做到實(shí)時(shí)性，固定劑與運(yùn)輸過程中的理化因素影響將導(dǎo)致樣品中的部分藻類死亡，而目前的檢測(cè)手段主要通過人為鏡檢，不僅檢測(cè)結(jié)果受主觀判斷的影響大、步驟繁瑣、效率低下，而且檢測(cè)后的樣本無(wú)法進(jìn)行后續(xù)的細(xì)胞分析。此外，一些自動(dòng)化檢測(cè)設(shè)備存在著系統(tǒng)復(fù)雜龐大、價(jià)格昂貴且前處理耗時(shí)長(zhǎng)等問題。

基于此，筆者結(jié)合了計(jì)算機(jī)視覺領(lǐng)域的目標(biāo)檢測(cè)算法，微流控技術(shù)和顯微成像技術(shù)，實(shí)現(xiàn)了對(duì)不同生理階段的細(xì)胞和多類別細(xì)胞的自動(dòng)檢測(cè)與分類。本實(shí)驗(yàn)在明場(chǎng)顯微鏡下采集了微球、正常培養(yǎng)與熱脅迫下的蟲黃藻細(xì)胞圖像，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型并應(yīng)用于微流控芯片上的細(xì)胞多分類檢測(cè)與定位。結(jié)果表明：模型對(duì)微流控芯片通道內(nèi)多類別目標(biāo)檢測(cè)的平均精確度可達(dá)94%，并且能夠以98%的精確度在混合樣本中區(qū)分出細(xì)胞樣本與非細(xì)胞樣本，以92%精確度檢測(cè)出細(xì)胞樣本的不同生理狀態(tài)。本方法無(wú)需在微流控芯片上添加鞘流通道且無(wú)需前處理，通過目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了高精度的細(xì)胞多分類與定位，不僅方便了下游的細(xì)胞分析，也為細(xì)胞分類檢測(cè)提供了新的思路與視角。