基于深度学习与智能手机集成微流控平台的肝生物标志物定量分析新方法

《Scientific Reports》：Smartphone-integrated portable microfluidic platform for liver biomarker quantification using deep learning

　　本研究针对资源有限地区肝病早期诊断与监测需求，开发了一种结合微流控、深度学习和移动医疗技术的智能手机集成色度传感平台。研究人员通过3D打印微流控流腔室、标准化成像系统和卷积神经网络回归模型，实现了直接/总胆红素（0.1-20 mg/dL）和转氨酶（ALT/AST，10-300 U/L）的高精度定量检测，检测限达0.05-2.97 U/L，与商业分析仪相关性达0.9994-0.9998。该便携式系统为基层医疗提供了实验室级别的肝功能检测解决方案。

　　

在全球范围内，肝病如肝炎、肝硬化和肝细胞癌等疾病正持续威胁人类健康。据世界卫生组织统计，每年因肝脏相关问题死亡的人数超过200万，其中诊断延迟和医疗资源不均是最主要的原因。及时检测肝功能和定期监测肝生物标志物水平，对于肝病的早期干预和治疗效果评估至关重要。目前，临床实验室主要通过检测总胆红素、直接胆红素、丙氨酸氨基转移酶（ALT）和天冬氨酸氨基转移酶（AST）等指标来评估肝脏功能。然而，传统的自动化光谱分析技术虽然精准可靠，却存在设备昂贵、需专业操作人员以及局限于实验室环境等问题，难以在资源匮乏地区普及。

近年来，多种即时检测（POCT）技术被开发用于生化分析，其中色度法因其操作简便、试剂易得而备受关注。然而，干化学试纸条仅能提供定性或半定量结果，便携式光谱仪则价格高昂且操作复杂。电化学检测方法虽灵敏度高，但易受电极污染、信号漂移和血液成分干扰。荧光和化学发光法虽然灵敏度高，却因光漂白、环境要求严苛而难以实现便携化。与此同时，智能手机凭借其高清摄像头、强大计算能力和无线传输功能，已成为移动医疗诊断的重要工具。但现有智能手机检测技术多基于简单的RGB值提取，易受光线条件和相机硬件差异影响，灵敏度和跨设备适应性有限。

为解决上述问题，印度研究团队开发了一种创新型智能手机集成微流控平台，通过深度学习技术实现肝生物标志物的精准定量。该研究发表于《Scientific Reports》，其核心创新在于将立体光刻（SLA）3D打印的微流控流腔室、可控光源环境与卷积神经网络（CNN）回归模型相结合，构建了一个低成本、便携且操作简便的肝功能分析系统。

研究团队采用了几项关键技术方法：首先利用SLA技术打印高透明度微流控流腔室，确保光学路径一致性和试剂低消耗（100μL样本/试剂混合液）；其次设计专用遮光成像舱与扩散LED光源，消除环境光干扰；最后开发基于CNN的回归模型，直接从智能手机拍摄的色度反应图像中预测生物标志物浓度，取代传统RGB强度提取法。该系统通过两点校准框架（空白与中浓度标准品）实现跨智能手机型号的适应性，无需重新训练模型。

微流控平台设计与实现

研究团队通过SolidWorks设计并优化微流控流腔室结构，采用光学透明树脂进行SLA打印，腔室尺寸为10 mm×7 mm×2 mm。该设计通过蠕动泵以50μL/s的流速控制样本流动，确保反应时间一致性。腔室下方放置亚克力块以减少杂散光，提高成像对比度。整个系统集成ESP32微控制器、L298N电机驱动器和5V扩散LED灯带，封装于黑色3D打印外壳内，通过物理按键触发样本吸入与图像捕获流程。

深度学习模型架构

CNN模型输入为128×128像素的RGB图像，包含4个卷积层（滤波器数分别为32、64、128×2）和最大池化层，最终通过512神经元全连接层输出回归值。模型使用Adam优化器和均方误差损失函数训练40轮，在测试集上达到平均决定系数（R²）0.997，均方根误差（RMSE）7.237。混淆矩阵显示对胆红素浓度分级（极低、低、正常、高、极高）准确率超98%。

跨设备性能验证

通过三星M51、摩托罗拉G60和一加Nord三款智能手机测试，两点校准后平均偏差低于3%。与商业生化分析仪（Peerless Autolab Versa）对比显示，直接胆红素、总胆红素、ALT和AST的相关系数分别为0.9997、0.9994、0.9998和0.9996，所有检测结果符合CLIA规定的±10%允许误差标准。

重复性与可靠性分析

日内、日间和操作者间重复试验的变异系数（%CV）均低于3%，表明系统具有优异的稳定性。检测范围覆盖临床需求：胆红素0.1-20 mg/dL（直接胆红素检测限0.1 mg/dL，总胆红素0.05 mg/dL），ALT与AST为10-300 U/L（检测限分别为2.97 U/L和2.50 U/L）。

Android应用开发

团队基于Flutter框架开发了"Liver Sense"应用，集成Firebase用户认证与Firestore数据库，通过FastAPI后端实现图像预处理、模型推断和报告生成。应用界面支持测试选择、图像上传/捕获、结果可视化与历史记录查询，极大提升了用户体验。

该研究成功构建了一个集微流控、智能手机成像与深度学习于一体的肝生物标志物定量平台，其检测性能与商业分析仪相当，同时具备便携、低成本和易操作等优势。通过两点校准策略有效解决了智能手机硬件差异带来的挑战，CNN回归模型突破了传统色度法的灵敏度限制。该系统为资源有限地区的肝病筛查和长期监测提供了可行方案，尤其适用于社区医疗中心和移动诊所。未来通过整合多指标同步检测功能，有望进一步拓展在慢性肝病管理中的应用价值。