COVID-19(新型冠状病毒感染的肺炎)是由严重急性呼吸综合症冠状病毒2 (severe acute respiratory syndrome coronavirus 2, SARS-CoV-2) 引起的传染病，该疾病在 2020 年达到大流行的程度。该疾病对医疗保健系统及社会经济影响产生了严重的全球性影响，并且很可能在长时间内存在。事实证明，迅速反应和公共卫生措施在限制病毒传播、减少活跃病例数以及最终降低死亡率方面是有效的。快速、准确和可扩展的测试已被一致认为对于减轻 COVID-19的影像和未来大流行至关重要。
博览：2021 Light Sci Appl 光学相位成像结合AI进行无标记SARS-CoV-2检测和分类
技术背景：
COVID-19(新型冠状病毒感染的肺炎)是由严重急性呼吸综合症冠状病毒2 (severe acute respiratory syndrome coronavirus 2, SARS-CoV-2) 引起的传染病，该疾病在 2020 年达到大流行的程度。该疾病对医疗保健系统及社会经济影响产生了严重的全球性影响，并且很可能在长时间内存在。事实证明，迅速反应和公共卫生措施在限制病毒传播、减少活跃病例数以及最终降低死亡率方面是有效的。快速、准确和可扩展的测试已被一致认为对于减轻 COVID-19的影像和未来大流行至关重要。
诊断测试准确性由灵敏度和特异性表征。灵敏度定义为患病患者阳性结果的概率，特异性定义为健康患者阴性结果的概率。除了这些准确性指标外，吞吐量和成本对于大规模部署测试也很重要。当前最广泛的COVID-19 诊断检测方法是基于荧光定量PCR的核酸检测。核酸检测已能通过自动化仪器完成，并在几个小时内提供结果。不同仪器的准确性可能会有所不同，已报告的假阴性率约为 30%。血清学检测通过免疫球蛋白G等蛋白质评估患者对病毒感染的反应。这些检测的有效性取决于对患者免疫状态的先验知识以及之前可能接触过其它病毒类型的情况。在感染或首次出现症状后约 20 天进行血清学检测的准确性非常高，但可能会导致早期患者的假阴性率很高，而之前接触过其它病毒的患者则可能出现假阳性。
最近，新的替代测试手段正在被加速开发。这些替代检测方案包括使用等离子体生物传感器、标记病毒颗粒的荧光成像和通过机器学习进行检测、微流控免疫分析结合荧光检测等。虽然这些方法代表了 SARS-CoV-2 检测方法的进步，但它们仍然需要标记或添加外来颗粒/溶液以检测 SARS-CoV-2。
当前不足：
当前仍缺少一种快速，准确、可拓展和无标记的病毒检测技术。
文章创新点：
基于此美国伊利诺伊大学厄巴纳-香槟分校的Neha Goswami(第一作者)和Gabriel Popescu(通讯作者)提出了一种光学方法直接对未标记病毒颗粒进行成像并使用深度学习进行检测和分类。文章所提方法能以96% 的准确率识别 SARS-CoV-2 与其它病毒。在GPU上，每张图像的推理时间为 60 ms。每个患者不到一分钟完成测试。由于成像仪器使用常规载玻片作为承载物，这种方法可对患者呼吸冷凝物进行测试，借用数字病理中自动扫描的方式，可以实现必要的高通量检测。
原理解析：
（1）工作流程。灭活的病毒样本使用异硫氰酸罗丹明B(荧光纳米颗粒)标记，染色后进行透析以去除未结合的荧光团，将样本沉积在载玻片上，用乙醇固定，然后风干(见图1a)。使用多模态空间光干涉显微镜(spatial light interference microscopy, SLIM)和落射荧光对载玻片进行成像，覆盖相同的视野(见图1b)。对所得图像进行处理以提取与单个病毒颗粒相关的图像对(见图1c)。使用这些数据训练U-Net卷积神经网络，荧光图像作为ground-truth。U-Net输出语义分割图，即对各种病毒类型进行分类和标记的图像(见图1d)。
（2）图像采集。在相衬显微镜(Nikon Eclipse Ti倒置显微镜)上集成SLIM模块(CellVista，Phi Optics，Inc.)采集荧光(ground truth)和SLIM(SLIM本质上是严格控制入射光和样本出射的散射光之间的相移)图像(见图2a)。以 π⁄2 的相移增量，记录与各个相移相关的四个强度帧，利用四个强度图像，将入射场和散射场的幅度从相位信息中解耦，并获得与样本相关的定量相位图(见图2b)。由于 SLIM 是共轴光路，相位测量在几分之一纳米路径长度内非常稳定。 相衬显微镜采取白光照明，SLIM 图像没有散斑，从而具有亚纳米空间光程灵敏度。 这些属性使 SLIM 非常适合在载玻片上成像病毒颗粒的挑战性任务。 图2c说明了与传统相差显微镜相比，SLIM 中对比度的显著提升。
（3）分辨率提升：由于成像系统的分辨率只有约335nm，而本文所用的单个病毒的平均直径小于150nm，所以需要通过估计系统的PSF,使用结合TV正则化的迭代Rochardson-Lucy算法做解卷积提升分辨率。
（4）机器学习。将病毒检测任务转化为语义分割问题，给定包含多个病毒颗粒的输入SLIM图像，利用训练的模型预测每个像素的概率分布，即这个像素属于5类之一的机会，这5个类分别是背景、SARS -CoV-2、H1N1、HAdV 和 ZIKV。argmax 操作将模型输出转换为每个像素的类标签。由于所有的原始 SLIM 图像都是纯培养病毒颗粒，通过“数字混合”合成一个新的数据集，用于机器学习开发和评估。在训练期间，使用 Adam 优化器针对分类交叉熵损失函数更新模型权重。所使用深度神经网络改编自U-Net(见图4a)，使用数字混合的 SLIM 图像作为输入和相应的分割图作为ground truth进行训练(见图4b,c)。
视频1：两个 SARS-CoV-2 病毒颗粒的体积重建
视频2：一组 ZIKV病毒颗粒的体积重建
参考文献：Goswami, N., He, Y.R., Deng, YH. et al. Label-free SARS-CoV-2 detection and classification using phase imaging with computational specificity. Light Sci Appl 10, 176 (2021).
DOI：https://doi.org/10.1038/s41377-021-00620-8
关于昊量光电：
上海昊量光电设备有限公司是国内知名光电产品专业代理商，代理品牌均处于相关领域的发展前沿；产品包括各类激光器、光电调制器、光学测量设备、精密光学元件等，涉及应用领域涵盖了材料加工、光通讯、生物医疗、科学研究、国防及更细分的前沿市场如量子光学、生物显微、物联传感、精密加工、先进激光制造等；可为客户提供完整的设备安装，培训，硬件开发，软件开发，系统集成等优质服务。
您可以通过昊量光电的官方网站www.auniontech.com了解更多的产品信息，或直接来电咨询4006-888-532。
本文章经光学前沿授权转载,商业转载请联系获得授权。