基于智能手机的移动医疗平台实现微流控即时检测

在资源有限的环境中进行疾病诊断仍然是一项重大挑战，因为大多数现有的生物传感技术依赖于先进的基础设施和训练有素的人员，这限制了它们在即时检测（POCT）场景中的应用。理想情况下，POCT平台应具有易于操作、分析时间短、价格低、高灵敏度和高特异性等特点，以满足POCT场景中健康监测的要求。

移动医疗（mHealth）平台利用微流控技术的自动化、集成化、小型化和多功能化等优势，是POCT场景下进行健康监测的理想选择。近年来，卷积神经网络（CNN）算法等深度学习算法已广泛应用于移动医疗中的图像处理。微流控技术和人工智能（AI）算法的结合激发了全球各地的研究人员提出新的POCT工具。

目前，一个理想的移动医疗平台包括三部分（图1），即微流控芯片、可移动设备和机器智能。首先，微流控芯片负责生物样品的处理和检测；接着，产生的信号由可移动设备进行传感，并由安装在智能手机上的App软件进行预处理；最后，数据传输到云服务器后，由相应的机器智能进行存储和进一步分析。

图1 用于POCT场景的支持机器学习的移动医疗平台架构

据麦姆斯咨询报道，近期，来自华中科技大学和哈佛大学的研究人员于Nature Communications期刊共同发表了题为“Smartphone-based platforms implementing microfluidic detection with image-based artificial intelligence”的综述性文章，总结了移动医疗平台在微流控芯片、成像模式、支持性组件和软件算法开发等方面的最新研究进展，并从分子、病毒、细胞、寄生虫等检测对象的角度阐述了移动医疗平台的应用。最后，对移动医疗平台的未来发展进行了展望。

在发展的早期（2014年以前），移动医疗平台的研究主要集中在成像部件和成像方式（可分为三种类型，即无透镜成像、基于明场透镜的成像和荧光成像）的支持性组件上。其中，无透镜成像通常有一个紧凑的支持性组件，并需要图像重建以用于后续分析。此外，无透镜成像的分辨率和视场（FOV）与智能手机的CMOS图像传感器质量直接相关，并且需要移除智能手机镜头，可能会损害智能手机的完整性。因此，目前越来越少的移动医疗平台使用无透镜成像。荧光成像具有特异性高、视场大、视野广等优点。

然而，检测样品通常需要在成像前进行荧光染色预处理，因此直接使用荧光成像对非专业用户不友好。此外，为了降低成本，移动医疗平台主要选择低成本的滤光片和发光二极管（LED）用于荧光成像，因此产生的图像通常具有低信噪比（SNR）。相比之下，基于明场透镜的成像被广泛应用，因为其微型模块可以很容易地适配到手机摄像头上以实现高质量成像，并且生成的图像可以通过卷积神经网络等人工智能算法进行有效地分析。然而，当分辨率很高时，基于明场透镜的成像视场会变小。因此，根据应用场景，在分辨率和视场之间进行权衡是必要的。

图2 移动医疗平台采用的主要成像方式

当移动医疗平台的成像方式渐趋成熟后，研究人员开始探索不同POCT应用场景的移动医疗平台，如血细胞和寄生虫检测，以及核酸和蛋白质的比色和荧光检测。同时，开发了更多的过程控制组件等硬件结构，以及比色法、动态视频检测算法等软件算法。随着智能手机性能和检测策略的快速进步，移动医疗平台变得更简单、更方便，适用于检测范围广泛的生物样本，并且灵敏度和准确性都有所提高。

图3 利用移动医疗平台进行寄生虫检测



图4 利用移动医疗平台进行分子诊断

自2018年以来，移动医疗平台的研究进一步转移到软件算法的开发上，例如用于图像增强和分类的深度学习算法。深度学习算法与智能手机系统的结合，为进一步拓展移动医疗平台的应用领域开辟了新的途径。然而，机器学习算法，尤其是深度学习算法，需要大量的数据进行模型训练。因此，在选择移动医疗平台的软件算法时，不仅要考虑算法的优势，还要考虑生成训练集所需的时间和资源。

图5 用于移动医疗平台的深度学习算法

近年来，可穿戴设备与移动医疗平台的集成越来越受到研究人员的关注，通过可穿戴设备收集生物信息，然后将其传输给移动医疗平台进行数据分析，从而实现实时健康监测。越来越多的近场通信（NFC）、闪光灯等智能手机硬件资源被应用到移动医疗平台上，以提高移动医疗平台的便携易用性。此外，许多嵌入智能手机的传感器，例如MEMS陀螺仪和加速度计，以及红外和温度传感器，在移动医疗平台上也有很大的应用潜力。

然而，当高性能模型相对较大时，通常需要较高的计算能力，因此难以直接集成到智能手机上，从而成为移动医疗平台开发的主要障碍。虽然集成在云服务器上的算法可以分析从智能手机上传的图像（这也被称为云计算），但其通常存在较高的延迟和较差的隐私性。最近，雾计算和边缘计算（在网关、路由器或嵌入式设备上计算数据的方式）以更低的延迟和更高的数据安全性吸引了研究人员的注意，它们可以与云计算结合，并在移动医疗平台上有很好的应用前景。此外，虽然很多现有的算法已经被应用到移动医疗平台上，但是很少有研究人员专门为移动医疗平台开发新的轻量级模型。大多数研究人员只在不同的应用中使用固定的算法对函数进行编程。针对移动医疗平台的新型轻量级模型可能是现有挑战的突破口。

总之，移动健康监测毫无疑问是一个非常有前途的领域。随着物联网技术的快速发展，基于智能手机的移动医疗平台具有广泛的POCT应用场景。除了用于家庭护理和家庭成员的健康监测以外，移动医疗平台还可用于作为疾病预防控制中心（CDC）前线的社区医疗站，以及现场食品安全检测。收集到的数据可传输到中央服务器进行分析，并可用于医生对患者进行远程诊断、学者进行病理研究以及疾控官员进行疫情管控，并最终提高治疗疾病的水平。我们相信，移动医疗平台很快将变得更加方便和可靠，并得到更加广泛的应用。

审核编辑：刘清