当机器学习遇上定量相位成像，如何实时评估癌症免疫治疗?
无标记、单细胞、实时:
定量相位成像辅助免疫杀伤识别
在肿瘤免疫研究中，识别T细胞对肿瘤细胞的功能性杀伤行为是评估免疫治疗效果的关键环节。然而，目前常见的评估手段多依赖间接指标，如细胞因子释放、凋亡标志物表达或代谢终点分析等。这些方法虽然可反映总体免疫活性，却难以捕捉单个免疫细胞在复杂共培养环境中的动态行为，尤其难以实现实时、无标记、连续的观测。
面对这一挑战，加州大学洛杉矶分校（UCLA）的Teitell Lab研究团队提出了一种基于定量相位成像（Quantitative Phase Imaging, QPI）与机器学习方法相结合的新型分析平台，能够在无标记条件下、以单细胞分辨率动态捕捉 T 细胞杀伤肿瘤细胞的过程，并进行自动识别与分类。
这一研究方案以基于Phasics 定量相位成像相机的 Live Cell Interferometry（LCI）为成像核心，实时记录相位图像，使用高频连续采集无标记的干涉显微成像系统记录肿瘤细胞在与 T 细胞共培养过程中的相位图像，进而提取细胞干重（dry mass）、细胞形态和运动等特征的时间序列。
PHASICS
多特征提取与机器学习建模：
自动识别T细胞杀伤行为
研究者首先在 M202 黑色素瘤细胞与 F5 TCR T 细胞的共培养体系中采集数据，并通过自动化算法完成单细胞分割与追踪，在每个细胞轨迹上提取十余项物理特征。这些特征包括干质量变化百分比、面积、轮廓长度、相对位移与相位对比度等，并结合滑动窗口计算差异趋势，构建用于机器学习训练的数据矩阵。如图1展示了该平台的实验布局与数据分析流程：从相位图像的采集，到图像分割、单细胞跟踪，最终提取用于机器学习判定的多个时间序列特征。
图1 实验系统流程图：共培养系统与机器学习分析以及T细胞–靶细胞相互作用模式流程示意，图片引自文献 Kim D.N.H., Lim A.A., Teitell M.A., Sci Rep 11, 19448 (2021).
团队使用SID4-Bio (Phasics 定量相位成像相机系列之一)在20×/0.4 NA物镜下以每秒10帧速率记录相位数据，覆盖60个培养孔位，单次记录持续8–12小时。图2直观呈现了在T细胞杀伤作用下，肿瘤靶细胞在相位密度图上的明显变化，以及从中提取的代表性特征在两种情况下的时序差异。
图2 T细胞杀伤事件的相位密度变化与时间序列特征展示, 图片引自文献 Kim D.N.H., Lim A.A., Teitell M.A., Sci Rep 11, 19448 (2021).
通过SID4-Bio记录的相位图像能够直接计算细胞干重及其时序变化，同时提取细胞形态、面积、轮廓长度、相位对比度和位移等物理特征。这些时间序列特征用于区分“存活”与“T细胞杀伤”的行为。
在模型构建上，研究团队评估了多种传统分类方法，包括朴素贝叶斯、随机森林、支持向量机等，结果显示在 M202 × F5 体系下，最佳模型可达到 0.9655 的 AUC 值(Area Under the ROC Curve 曲线下面积值，如图3)，表现出对杀伤与未杀伤细胞行为的高度区分能力。
图3 跨体系稀有事件识别验证与ROC曲线(Receiver Operating Characteristic Curve), 图片引自文献 Kim D.N.H., Lim A.A., Teitell M.A., Sci Rep 11, 19448 (2021).
随后，研究者将该模型直接迁移至另一个完全不同的共培养体系（M257 黑色素瘤细胞与 NY-ESO-1 特异性 TCR T 细胞），在模拟稀有阳性事件场景（杀伤事件占比从 1:1 到 1:100000）中，依然能够保持超过 0.95 的 AUC 值(Area Under the ROC Curve)。模型无需重新训练，显示出良好的跨体系泛化性能。
图4 在不同T细胞杀伤与存活肿瘤细胞比例下，30个随机数据集的分类性能（AUC）。1:100,000组中的离群值源于仅有一次T细胞杀伤事件被误判为存活。图片引自文献 Kim D.N.H., Lim A.A., Teitell M.A., Sci Rep 11, 19448 (2021).
即便在极端低比例阳性事件的条件下，模型依然能够准确识别出杀伤过程，且 ROC 曲线保持高AUC。这种稳健性归因于所提取特征与细胞真实物理状态的高度相关性，而这些特征正是依赖于时间连续的高质量QPI图像获取。
PHASICS
系统关键数据源:
Phasics 定量相位成像相机
在这项研究中，Phasics 的定量相位成像相机是关键的成像组件之一。研究团队将其集成于 Zeiss Axio Observer A1 倒置显微镜平台上，结合具备 CO₂ 培养功能的多孔板实验设计，实现了长达 8–12 小时的稳定成像。这一成像系统无需使用激光或荧光染料，仅依赖白光照明即可获得高对比度、物理量明确的相位图，准确记录细胞干质量和形态变化。Phasics 的定量相位成像相机所拥有的宽视场和抗振性也确保了大规模、多位置采集条件下的图像质量，为高通量分析提供了基础。
研究团队进一步通过自定义的图像处理与追踪算法，从原始相位图中提取特征用于机器学习模型训练，实现了免疫杀伤事件的自动识别。虽然整套系统由研究人员独立搭建，但其中核心物理数据的来源依赖于 Phasics 提供的 QWLSI 架构相机。SID4-Bio 所采集的数据与免疫细胞杀伤过程中的干质量变化高度相关，是实现机器学习模型精确分类的前提。
该研究展示了在无需染料、全自动追踪的实验条件下，定量相位成像数据可作为机器学习输入特征，有效识别并泛化不同免疫杀伤场景。这也进一步拓展了 QPI 在免疫肿瘤学等前沿研究中的应用可能。
📬点击左下角阅读原文查看论文，欢迎关注 Phasics 官方公众号，了解更多定量相位成像在免疫学、肿瘤学、干细胞与药物开发中的真实科研案例与应用方案。
Phasics sC8 定量相位成像相机
Phasics SID4-Bio 定量相位成像相机
参考文献：
Kim, D.N.H., Lim, A.A. & Teitell, M.A. Rapid, label-free classification of tumor-reactive T cell killing with quantitative phase microscopy and machine learning. Sci Rep 11, 19448 (2021).
