Biohub 的 Remo-ID 平台可在 12 分钟内从血细胞图像识别脓毒症
Sepsis is linked to 11 million deaths a year. A new machine-learning platform could help catch it within minutes
Biohub 团队在 Remoscope 成像细胞仪上构建机器学习模型 Remo-ID,12 分钟内拍摄约 200 万个血细胞并筛查脓毒症。在 47 例样本(13 例确诊脓毒症、12 例 ICU 非感染危重患者、22 例健康供体)的早期研究中,模型正确分类 43 例,且训练时未预先指定应关注哪些细胞特征。该结果已发布在 medRxiv,作者表示还需更大规模测试与 FDA 批准才能成为诊断工具。
十微升血液流入一个一次性塑料卡匣。在一个与笔记本电脑占地面积相同的盒子内,血液铺展成薄层并流经一条狭窄通道。在接下来的 12 分钟里,一台相机对流过的约两百万个血细胞逐一拍照。
没有实验室技术员在等待血培养结果。取而代之的是,一个由机器学习模型驱动的新型成像平台,扫描所有这些细胞以寻找脓毒症的迹象——脓毒症是一种危及生命的全身性感染反应,每年在全球造成约 1100 万人死亡。
Biohub 的科学家构建了这个名为 Remo-ID 的模型,让它在 Remoscope 上运行。Remoscope 是该团队最初为诊断疟疾而设计的成像流式细胞仪。在一项针对 47 名患者和对照者的早期研究中,Remo-ID 正确区分了脓毒症与其他危重疾病以及健康血液,共 43 例。它做到了这一点,而无需研究人员事先指定要寻找哪些细胞或细胞特征。
这项工作是 Biohub 一项更大赌注的一部分:测量生物学的新方法,配上能够解读这些技术所捕获内容的计算模型,将帮助科学家治愈、预防和管理疾病。
脓毒症出了名地难以确诊。临床医生常常能从患者的状况和实验室检查中识别出它,但在必须做出治疗决定的时刻,没有任何单一的金标准检测可用。“它还没有被很好地量化,”Biohub 负责推进脓毒症项目的工程师 Nicholas Bratvold 说。
这种不确定性可能意味着致命的延误。在由细菌感染引起的脓毒性休克中,抗生素每延迟一小时,死亡风险就升高 6% 到 10%。现有指南要求在脓毒症出现后的第一小时内进行治疗,但即使在资源充足的医院,接受该治疗的患者也不到一半。
从疟疾到未知信号
Remoscope 项目始于 2022 年,最初是为疟疾流行地区设计的工具。在这些地区,受过这一拥有百年历史的诊断标准培训的技术员——在显微镜下手工计数染色血涂片中的被寄生虫感染的细胞——往往负担过重。
Remoscope 不使用染色剂或其他试剂,而是直接对新鲜全血成像,并利用无标记成像和机器学习来完成计数。旧金山 Biohub 名誉主席、Remoscope 最初论文的合著者 Joe DeRisi 很早就认识到了这项技术的潜力:“没有人能长时间使用标准技术而不产生大量精神疲劳,而且人类的错误总会开始悄悄出现。”
疟疾是机器学习的一个天然应用场景,因为寄生虫会留下可见的痕迹:细胞内淡淡的环状体、深色的血红蛋白晶体以及细胞形状的变化。该团队用数十万张人工标注的细胞图像训练其模型,最终 Remoscope 在乌干达 Tororo 进行的为期一年的研究中表现超过了显微镜专家的平均水平,并接近专家水平。
但尽管疟疾如此致命,在一个多种其他疾病并存的环境中,仅针对疟疾的检测用处有限。为了看看这台仪器还能做什么,该团队转向了一个更神秘的问题:脓毒症。
脓毒症可由多种不同的感染引起,同时影响多种血细胞。它没有单一的特征性细胞特征,脓毒症患者的血液与未感染的危重患者的血液看起来往往非常相似。“在疟疾中,我们能找到那些异常细胞,但在脓毒症中,我们不知道要找什么,”Biohub 工程师 Ilakkiyan Jeyakumar 说。

无标签学习
由于给单个细胞贴标签无法解决问题,团队构建了一种不同类型的模型。Remo-ID 并不试图刻画单个细胞。相反,它采用了一种称为多实例学习的技术,其中一次运行的所有图像被汇集成一个“包”,每张图像被转换为数值表示,然后一个注意力机制学习如何将它们组合成对患者的单一预测。
在模型对超过 12 亿个细胞的初始训练中,研究人员仅在样本层面提供标签,标明血液是来自脓毒症患者、患有非感染性疾病的危重患者,还是健康供体。他们没有告诉模型应该关注哪些细胞特征来区分这些群体。
初步结果,发表在 medRxiv 上,合作者包括加州大学旧金山分校的传染病医生、Biohub Investigator Chaz Langelier,显示出未来诊断工具的潜力。在 47 个样本中——13 个确诊脓毒症、12 个在重症监护病房治疗的非感染性对照、22 个健康供体——Remo-ID 正确分类了 43 个。
在一项分析中,来自 22 名健康供体的细胞占据了大部分重叠区域。危重患者的细胞分布更广,而脓毒症患者的细胞则形成了明显的簇。“模型非常擅长学习模式,”Remoscope 项目负责人 Paul Lebel 说。“尽管样本反映了多样的潜在病情,模型的正确率超过 90%,并且可以调整到找出 100% 的脓毒症病例。”
脓毒症组仅包含 13 人,这意味着少量异常病例可能会扭曲结果。研究人员也尚不能确定哪些细胞特征在驱动模型的预测。但 Jeyakumar 说,结果足够有力,值得在更大的群体中测试这种方法。数据中还包含一些有趣的模式,如果在更大的研究中得到验证,可能为脓毒症如何影响血细胞提供新的线索。


绘制模型所见
另一款工具 Remo-Map 正在帮助团队探索这些模式。Remo-Map 使用该团队收集的数据集进行训练。与 Remo-ID 对整个样本进行分类不同,它无需预先给出诊断,而是根据形态学上的相似性,将数百万个单个细胞表示在一个数学空间中。
“Remo-Map 已经发现了脓毒症患者血液中一些有趣的差异,这些差异此前已在文献中有过描述,”Bratvold 说。其中包括从骨髓提前释放的未成熟中性粒细胞——杆状核细胞及更早期的形态;以及数量异常的未成熟红细胞,如网织红细胞和各阶段的成红细胞(尚未失去细胞核的红细胞前体),由于它们的可塑性较差,在流动池通道中的运动方式有所不同。
最后一组特征正是 Remoscope 独特的优势所在。由于它在血液流动时进行成像,而不是在载玻片上干燥固定后成像,因此能够捕捉到细胞如何弯曲和移动——这些信息是常规涂片所无法获取的。综合来看,这些发现提出了一个耐人寻味的假设:脓毒症的信号可能并不存在于单一的生物标志物或细胞类型中,而在于血液的整体状态。
这些观察结果尚未成为获批的诊断方法,这需要更多数据和 FDA 的批准。但它们说明了同时研究数百万个血细胞时可能出现的各种差异。
超越脓毒症
“这些模型所能看到的,远比我们目前用它们来做的事情多得多,”Lebel 说。他说,血液疾病是一个明确的目标,包括镰状细胞贫血和其他会改变红细胞大小和形状的贫血,以及大多数影响白细胞群体的血液癌症。该团队还在试点一种狼疮诊断方法,并探究这项技术能否记录免疫系统的运作:例如对疫苗的反应,或病毒感染的迹象。
“这个设备最棒的地方在于它的速度,”Bratvold 说。“如果我们能获得这些疾病的样本,就可以采集数百万到数亿个细胞,然后在几天内训练出新模型并对其进行评估。”
来源:Biohub · biohub.org