編輯 | 2049
想象一下，一位生物學家在顯微鏡前觀察細胞，為了看清細胞中特定的熒游標記物，每個實驗都需要使用特製的光學濾光片組。這些濾光片組就像精密的光學「濾鏡」，由二向色鏡和高光密度帶通濾光片構成，用於分離激發光和熒光發射光。
然而，這種傳統設計帶來了幾個顯著問題：首先是裝置成本增加，其次是系統變得龐大複雜，更重要的是在需要觀察多種熒游標記時，機械切換濾光片的過程會顯著降低實驗效率。
有沒有一種方法可以擺脫這些「濾鏡」，讓顯微鏡變得更智慧、更高效呢？最近，來自上海理工大學、上海交通大學、杜克大學的研究人員提出了一項由 AI 驅動的創新技術——無濾光片熒光顯微鏡 DL-F^3 M ——正在改變這一現狀。
該研究以「Deep learning-enabled filter-free fluorescence microscope」為題，於 2025 年 1 月 1 日釋出在《Science Advances》。
研究背景
熒光成像是生物科學和醫學領域的關鍵技術。透過使用熒光染料或蛋白質等標記物，科研人員可以直觀地觀察基因和蛋白質的表達，以及細胞和組織中的分子相互作用。但傳統技術面臨一個根本性挑戰：如何在不依賴複雜濾光片組的情況下，有效分離激發光和熒光訊號？
業界已有一些改進嘗試：一種方法使用時間分辨探測器（如條紋相機）在短暫的檢測視窗內探測熒光發射，從而過濾掉飛秒級激發光；另一種是全光譜照明策略，實現激發光和發射光的空間分離。然而，這些方法在弱熒光和強散射樣品成像時仍面臨挑戰。
近年來，人工智慧技術在顯微成像領域取得了一系列突破，包括提升空間解析度、實現自動對焦、擴充套件景深等。基於這些進展，研究團隊提出了一種創新方案：深度學習使能的無濾光片熒光顯微鏡 DL-F^3 M 。這一技術致力於解決熒光顯微鏡的核心問題：如何在不使用傳統濾光片的情況下，準確提取熒光訊號。
技術創新
在系統架構上，DL-F^3 M 採用簡化的光路設計，使用可調 LED 光源替代傳統鎢滷燈，透過設定入射角 β 大於物鏡半形孔徑 α 來最小化激發光進入物鏡的耦合。系統利用彩色相機的濾光陣列（Bayer filter）直接檢測熒光發射。
其核心是兩階段深度學習框架：首先是基於 MobileNetV2 框架的輕量級 NetFCS，包含 32 個濾波器和 17 個殘差瓶頸層，用於自動識別熒光通道；其次是數字光譜濾波網路庫，採用三個卷積網路、殘差網路與跨階段部分網路，以及兩個轉置卷積網路的組合架構。
圖1：DL-F^3 M系統工作原理示意圖。（來源：論文）
訓練採用條件生成對抗網路框架，包括用於重建熒光影像的生成器和基於 PatchGAN 的判別器。訓練使用 Adam 最佳化器，初始學習率為 2×10^-4，透過結合畫素級損失和對抗性損失最佳化網路效能。
圖2：DL-F^3 M 神經網路架構圖。（來源：論文）
實驗驗證
為了驗證 DL-F^3 M 的效能，研究人員進行了多項實驗。實驗樣本包括 HEK293T 細胞、4T1 小鼠乳腺癌細胞和 BALB/3T3 成纖維細胞，分別標記了不同的熒光染料。實驗中使用不同放大倍數的物鏡（5×、10×和20×）進行成像，以評估 DL-F^3 M 在不同條件下的表現。
實驗結果表明，DL-F^3 M 能夠準確地預測熒光訊號，其敏感性和特異性均達到了高水平。例如，在觀察轉染了綠色熒光蛋白（GFP）的細胞時，DL-F^3 M 能夠清晰地識別出熒光訊號，且與傳統的熒光顯微鏡結果高度一致。此外，DL-F^3 M 還成功應用於免疫熒光實驗，定量分析了成纖維細胞轉化過程中的生物標誌物表達變化。
DL-F^3 M 的創新效果透過結構相似性指數（SSIM）和訊雜比（SNR）等指標進行了驗證。實驗結果顯示，DL-F^3 M 生成的熒光影像與真實影像的SSIM值超過 0.87，SNR值超過 31.7，證明了其高精度和可靠性。
圖3：HEK293T細胞熒光成像結果。（來源：論文）
結語
DL-F^3 M 技術不僅突破了傳統熒光顯微成像的物理侷限，還開創了光學系統與人工智慧深度融合的新正規化。這一創新方法在生物醫學成像領域具有廣闊的應用前景，可望推動整個領域的技術革新。
未來，該系統將在多個方向繼續發展，包括擴充套件熒光通道、提升實時成像效能，以及擴充在其他生物醫學儀器上的應用。這項研究不僅體現了 AI 與光學顯微技術的創新融合，更為生物醫學成像領域提供了富有啟發性的方法論指導，凸顯了跨學科研究的重要價值。
論文連結：https://www.science.org/doi/10.1126/sciadv.adq2494