基于超快成像和机器学习的无标记血栓成因检测

With the population ageing becomes increasingly prominent and the changes in our work and lifestyle, the incidence rate of cardiovascular diseases has kept increasing for decades and the patients are also tending to be younger, significantly affecting the quality of our life. The aggregates caused by activated platelets, or thrombus, play an important role in these diseases, for which anticoagulant medications are commonly used in clinical settings for the prevention and treatment. However, the use of anticoagulants is associated with bleeding risks, which can be life-threading. The mechanisms of platelet aggregation are highly complex, making it difficult to prescribe the medicine special to the disease. In this project, we are planning to conduct high-throughput and high-quality imaging to blood cells with ultra-high-speed imaging flow cytometry, and then employ machine-learning methods to identify the images of thrombus and adaptively extract and analyze the morphological features of the thrombus formed by different mechanisms. By taking advantage of the big image data and the powerful analyzing capability of machine learning, it is expected to directly link the morphological features and corresponding forming mechanisms of thrombus without digging too much into the biomedical aspect in a label-free manner. Our research holds promise for providing a convenient and effective approach for the investigation of thrombus formation, hence strongly support the personalized treatment for cardiovascular diseases with minimum bleeding risk.

随着人口老龄化问题的加剧以及人们工作和生活方式的改变，心脑血管疾病的发病率逐年升高且呈低龄化趋势，严重影响了人们的生活质量。血小板受激产生的凝聚体，即血栓是这类病症的重要标志和主要原因之一，临床上通常使用抗凝药物来对其进行治疗。但是，抗凝药物的使用会对正常的凝血机制造成干扰，可能诱发出血问题，危及患者生命。由于血栓形成机理复杂，医务人员难以对症下药。本项目拟利用超快流式细胞成像检测技术对血细胞进行大通量、高质量的成像，然后通过机器学习算法对血栓图像进行识别，并对各种机理引起的血栓的图像特征进行自适应的提取和分析。以期借助图像大数据和机器学习强大的分析能力，避免使用复杂的生物化学方法，在无标记的情况下，直接建立血栓图像特征与其形成机理之间的联系。本项目的研究成果有望为血栓成因检测提供一种简单易行且行之有效的手段，从而为心脑血管疾病的个性化治疗及降低治疗过程中的出血风险提供有力的支持。

血小板非正常集聚可能导致中风、心梗、脑梗等严重后果，尤其在中老年人群中属于高病。抗凝治疗是减缓血小板凝聚进而避免产生严重后果的重要手段。不同类型疾病引起血小板凝聚的机理不尽相同，抗凝药物的不当使用可能产生严重的后果，甚至危及患者的生命。然而，目前临床上还缺少一种简便易行的分析血小板凝聚成因的方法。本项目利用成像流式细胞检测技术对血液样本进行大通量、高质量的成像，然后通过机器学习算法对血小板凝聚体图像进行识别，进而明确引起血小板凝聚的机理。基于光学时域拉伸成像技术和微流控技术，本项目构建了光流控时域拉伸成像系统；基于自动编码器结构，本项目构建了可对血小板凝聚体进行自适应分析的卷积神经网络；通过充分挖掘不同种类促凝剂所引起的血小板凝聚体的形态特征，实现了对临床样本中血小板凝聚成因的定量分析。.通过在光学时域拉伸成像系统中使用间插复用技术，结合自主研发的微流芯片，本项目实现了流速高达40m/s的成像流式细胞检测，为当前国际上的最高流速。基于该成像系统，结合人工智能的图像分析算法，项目在国际上首次对常见的几种促凝剂，包括ADP、Collagen、TRAP-6和U46619等所产生的血小板凝聚体的形态特征进行了分析。在此基础上，对50余例临床血液样本中的血小板凝聚情况进行了成像分析，将其中血小板的凝聚状态按照其与促凝剂产生的凝聚的相似性进行了贡献度排序，首创了通过血小板凝聚的形态特征进行疾病类型及病程诊断的方法。此外，本项目还对所构建的成像流式细胞检测技术进行了应用领域的扩展，在国际上首次实现了大通量、无标记的急性白血病分型。所开发的图像处理技术，经过进一步发展，实现了重叠染色体图像分割与识别，多发性骨髓瘤自动诊断以及乳腺癌全病理切片智能化分析。本项目的研究成果在Lab on a Chip、ACS Photonics等业内顶级期刊上发表论文13篇，申请并获批发明专利6项。本项目成果有望为血栓成因检测提供一种简单易行且行之有效的手段，从而为心脑血管疾病的个性化治疗提供有力的支持。