王宇 方群

摘?要?微流控系統(tǒng)可以對(duì)微流體進(jìn)行精準(zhǔn)操控，因此被廣泛應(yīng)用于化學(xué)、生物、醫(yī)學(xué)、藥學(xué)等諸多領(lǐng)域。近年來(lái)取得跨越式發(fā)展的人工智能技術(shù)，在應(yīng)對(duì)微流控系統(tǒng)中海量數(shù)據(jù)的分析與挖掘方面具有很大的優(yōu)勢(shì)，被應(yīng)用于很多微流控系統(tǒng)中，并在生物研究、醫(yī)學(xué)診斷、藥物研發(fā)等多個(gè)領(lǐng)域展現(xiàn)了突出的潛力。本文綜述了數(shù)種典型的人工智能模型及其在微流控系統(tǒng)中的應(yīng)用，重點(diǎn)介紹了人工智能在微流控系統(tǒng)的目標(biāo)檢測(cè)、關(guān)聯(lián)預(yù)測(cè)與結(jié)果分類(lèi)方面的研究和應(yīng)用進(jìn)展，并對(duì)其未來(lái)發(fā)展趨勢(shì)進(jìn)行了展望。

關(guān)鍵詞?微流控;人工智能;數(shù)據(jù)挖掘;大數(shù)據(jù);評(píng)述

1?引 言

微流控（Microfluidics）系統(tǒng)是指在微米級(jí)結(jié)構(gòu)中操縱微量流體（體積為10?9～10?12 L）的系統(tǒng)，由于其對(duì)微流體的精準(zhǔn)操控能力，被廣泛應(yīng)用于化學(xué)、生物、醫(yī)學(xué)、藥學(xué)等領(lǐng)域，具有試樣和試劑消耗量小、反應(yīng)效率高、分析通量高、體積小、集成化和自動(dòng)化程度高等優(yōu)點(diǎn)，也常被稱(chēng)為芯片實(shí)驗(yàn)室（Lab on a chip）。近30年來(lái)，微流控系統(tǒng)在生命科學(xué)基礎(chǔ)研究[1～4 ]、化學(xué)分析[5，6]、臨床診斷[7，8]、藥物研發(fā)[9，10]、食品分析[11]、環(huán)境監(jiān)測(cè)[12]等多個(gè)應(yīng)用領(lǐng)域展現(xiàn)出巨大的應(yīng)用潛力，改變了許多傳統(tǒng)的實(shí)驗(yàn)方法。微流控系統(tǒng)憑借強(qiáng)大的微量樣品操縱能力，配合多種檢測(cè)手段和完備的數(shù)據(jù)采集系統(tǒng)，可以高通量、自動(dòng)化、低成本地產(chǎn)生海量高質(zhì)量數(shù)據(jù)，包括實(shí)驗(yàn)圖像、流體參數(shù)、化學(xué)和生物檢測(cè)信號(hào)等。但是，這些數(shù)據(jù)所包含的信息通常是不可直接獲取的。以實(shí)驗(yàn)圖像為例，一張單細(xì)胞圖像中包含了細(xì)胞大小、細(xì)胞形態(tài)、表面形貌、運(yùn)動(dòng)方向、熒光強(qiáng)度、與周?chē)h(huán)境的聯(lián)系等信息，但卻很難直接從圖像中提取。由于微流控系統(tǒng)在高通量、自動(dòng)化等方面的長(zhǎng)足進(jìn)展，在展示其強(qiáng)大的獲取海量實(shí)驗(yàn)數(shù)據(jù)能力的同時(shí)，也使其在數(shù)據(jù)分析與挖掘方面面臨著嚴(yán)峻的挑戰(zhàn)。

人工智能（Artificial intelligence，AI）作為研究和開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)、系統(tǒng)及應(yīng)用的技術(shù)和科學(xué)，具有強(qiáng)大的分析與運(yùn)算能力，能夠處理復(fù)雜環(huán)境下的決策問(wèn)題，在大數(shù)據(jù)的分析與挖掘方面具有天然的優(yōu)勢(shì)。盡管在20世紀(jì)50年代左右人工智能技術(shù)就已經(jīng)誕生[13]，并引領(lǐng)過(guò)多次研究熱潮，但是受限于數(shù)據(jù)量與計(jì)算能力，一直未能展現(xiàn)出足夠的數(shù)據(jù)處理能力。近幾年，得益于神經(jīng)網(wǎng)絡(luò)模型的發(fā)展、快速圖形處理器（GPU）[14]的運(yùn)用、Tensorflow[15]等框架的開(kāi)發(fā)和分布式計(jì)算的普及，人工智能技術(shù)已經(jīng)在圖像識(shí)別[16]、自然語(yǔ)言翻譯[17]、語(yǔ)音處理[18]、個(gè)性化推薦[19]等多個(gè)領(lǐng)域大放異彩，成為數(shù)據(jù)分析與挖掘的首選利器。不同于傳統(tǒng)的計(jì)算機(jī)算法，基于人工智能開(kāi)發(fā)的機(jī)器學(xué)習(xí)技術(shù)通常無(wú)需直接編程即可學(xué)習(xí)，最終數(shù)據(jù)處理性能的優(yōu)劣主要取決于其算法訓(xùn)練過(guò)程。因此，在一些復(fù)雜度較高、特征不明顯的場(chǎng)景（如圖像識(shí)別或自然語(yǔ)言翻譯等）中，人工智能算法相比于傳統(tǒng)計(jì)算機(jī)算法具有無(wú)可比擬的優(yōu)勢(shì)。

近年來(lái)，隨著人工智能在多個(gè)領(lǐng)域取得應(yīng)用突破，越來(lái)越多的微流控領(lǐng)域?qū)W者開(kāi)始關(guān)注其強(qiáng)大的分析與分類(lèi)能力，并針對(duì)微流控系統(tǒng)發(fā)展了許多人工智能數(shù)據(jù)分析與挖掘方法，不僅大大提高了系統(tǒng)的數(shù)據(jù)處理能力，還構(gòu)建了許多狀態(tài)評(píng)估與結(jié)果預(yù)測(cè)模型，使得微流控系統(tǒng)逐漸從自動(dòng)化向智能化發(fā)展。其中，人工智能所擅長(zhǎng)的回歸、分類(lèi)和聚類(lèi)等問(wèn)題尤其受到了微流控領(lǐng)域?qū)W者的青睞，并逐漸將其應(yīng)用于目標(biāo)檢測(cè)、關(guān)聯(lián)預(yù)測(cè)和結(jié)果分類(lèi)等多個(gè)方面，顯示了突出的應(yīng)用潛力和發(fā)展前景。

本文對(duì)三類(lèi)典型的人工智能模型以及其在微流控系統(tǒng)中的主要應(yīng)用進(jìn)行綜述，并對(duì)其未來(lái)發(fā)展趨勢(shì)進(jìn)行展望。

2?人工智能模型簡(jiǎn)介

人工智能是一個(gè)相對(duì)寬泛但又比較通俗直觀的概念，旨在模擬、延伸和擴(kuò)展人的智能。目前，人工智能主要用于解決4個(gè)方面的問(wèn)題，即回歸、分類(lèi)、聚類(lèi)與強(qiáng)化問(wèn)題。其中，回歸問(wèn)題指的是根據(jù)數(shù)據(jù)樣本中的特征參數(shù)，預(yù)測(cè)連續(xù)值結(jié)果，例如預(yù)測(cè)癌細(xì)胞侵襲概率;分類(lèi)問(wèn)題指的是根據(jù)數(shù)據(jù)中的特征，判定其所屬類(lèi)別，如編碼液滴的識(shí)別;聚類(lèi)問(wèn)題指的是將樣本劃分為若干個(gè)類(lèi)別，如疾病亞型的劃分;強(qiáng)化問(wèn)題指的是如何基于環(huán)境而行動(dòng)，以取得最大收益，如臨床給藥劑量的優(yōu)化[20]。此外，除了強(qiáng)化學(xué)習(xí)自成體系外，根據(jù)訓(xùn)練數(shù)據(jù)集是否明確輸入與輸出的映射關(guān)系，又可以分為有監(jiān)督學(xué)習(xí)（包括半監(jiān)督學(xué)習(xí)）和無(wú)監(jiān)督學(xué)習(xí)。其中，回歸問(wèn)題與分類(lèi)問(wèn)題一般屬于有監(jiān)督學(xué)習(xí)，而聚類(lèi)問(wèn)題通常屬于無(wú)監(jiān)督學(xué)習(xí)。

線(xiàn)性回歸是一種基本的回歸算法，可以用一條直線(xiàn)較為精確地描述數(shù)據(jù)之間的關(guān)系。如果數(shù)據(jù)間的關(guān)系并非線(xiàn)性，也可以使用多項(xiàng)式回歸、嶺回歸等其它更加復(fù)雜的回歸算法。因此，回歸算法可以較好地描述連續(xù)數(shù)據(jù)間復(fù)雜的關(guān)系，是一種發(fā)現(xiàn)多種參數(shù)間關(guān)聯(lián)，并定量描述其對(duì)結(jié)果影響的方法，常用于函數(shù)擬合、模型開(kāi)發(fā)等。

相比于輸出結(jié)果為連續(xù)且確定數(shù)值的回歸問(wèn)題，分類(lèi)問(wèn)題的輸出結(jié)果卻是定性的離散值。

分類(lèi)模型有多種類(lèi)型，如用回歸算法預(yù)測(cè)出事件概率，并設(shè)定判斷閾值，就是一個(gè)簡(jiǎn)單的二元分類(lèi)算法，即邏輯回歸。此外，樸素貝葉斯分類(lèi)（Nave Beyesian classification，NB）是一種以貝葉斯理論為基礎(chǔ)，依據(jù)概率原則進(jìn)行分類(lèi)的算法。其基本原理為，根據(jù)已知的先驗(yàn)概率，利用貝葉斯公式求出樣本屬于某一類(lèi)的后驗(yàn)概率，然后選擇后驗(yàn)概率最大的類(lèi)作為該樣本所屬的類(lèi)。k近鄰（k-Nearest neighbor，kNN）算法則是一種基于距離度量的分類(lèi)算法，將整個(gè)數(shù)據(jù)集作為訓(xùn)練集，先確定待分類(lèi)樣本與每個(gè)訓(xùn)練樣本之間的距離，再找出與待分類(lèi)樣本距離最近的k個(gè)樣本作為其k個(gè)近鄰，最終選擇占比最大的類(lèi)別作為待分類(lèi)樣本的類(lèi)別。決策樹(shù)（Decision tree）算法是根據(jù)數(shù)據(jù)屬性采用樹(shù)狀結(jié)構(gòu)建立決策模型的算法，常用于解決分類(lèi)和回歸問(wèn)題。若將多個(gè)決策樹(shù)模型作為基分類(lèi)器，投票決定最終類(lèi)別，即成為隨機(jī)森林（Random forest，RF）模型。支持向量機(jī)（Support vector machine，SVM）是一種基于統(tǒng)計(jì)學(xué)VC維理論與結(jié)構(gòu)風(fēng)險(xiǎn)最小原理的有監(jiān)督二分類(lèi)器，其決策邊界是對(duì)學(xué)習(xí)樣本求解的最大邊距超平面。

除了較為精確的圖像識(shí)別與計(jì)數(shù)，人工智能在相對(duì)模糊的密度估算、狀態(tài)評(píng)估、模式識(shí)別等方面也有較好的應(yīng)用。Kim等[28]使用快速傅里葉變換（FFT）技術(shù)檢測(cè)微流控系統(tǒng)中細(xì)菌生長(zhǎng)顯微圖像頻率的變化，再基于深度學(xué)習(xí)進(jìn)行數(shù)據(jù)回歸，成功對(duì)微流控系統(tǒng)中的細(xì)菌密度進(jìn)行了估算（圖1D），并將其應(yīng)用于微流控抗生素敏感性測(cè)試。該方法沒(méi)有試圖對(duì)模糊的細(xì)胞圖形進(jìn)行精準(zhǔn)識(shí)別，而是根據(jù)圖像中的微小變化進(jìn)行粗略的密度估算，為解決微流控系統(tǒng)中的數(shù)據(jù)估算問(wèn)題提出了一種新的思路。與之相似，Moore等[29]搭建了一種可構(gòu)建腫瘤微環(huán)境的腫瘤活檢微流控裝置，并利用基于機(jī)器學(xué)習(xí)的自定義圖像分析算法成功量化了腫瘤浸潤(rùn)淋巴細(xì)胞的死亡時(shí)間（圖1E）。該工作充分發(fā)揮了人工智能在狀態(tài)評(píng)估方面的優(yōu)勢(shì)，為定量表征微流控系統(tǒng)中的待測(cè)物提供了更多可能。

總之，由于人工智能在提升數(shù)據(jù)質(zhì)量、跟蹤動(dòng)態(tài)目標(biāo)、評(píng)估模糊場(chǎng)景等方面的獨(dú)特性能，使其在微流控目標(biāo)檢測(cè)中展現(xiàn)出了明顯的應(yīng)用潛力。

4?人工智能在微流控系統(tǒng)關(guān)聯(lián)預(yù)測(cè)中的應(yīng)用

在傳統(tǒng)的科研范式中，尋找物質(zhì)運(yùn)動(dòng)及其相互作用的規(guī)律，一直是需要科研人員依賴(lài)其科研技能去解決的問(wèn)題。然而，隨著人工智能技術(shù)的快速發(fā)展，發(fā)現(xiàn)重要變量、尋找不同變量之間的潛在關(guān)聯(lián)、預(yù)測(cè)實(shí)驗(yàn)結(jié)果，也可以通過(guò)人工智能實(shí)現(xiàn)。

在微流控系統(tǒng)的數(shù)值模擬方面，人工智能已經(jīng)有了許多應(yīng)用。早在2006年，Magargle等[30]就利用ANN模型對(duì)芯片實(shí)驗(yàn)室系統(tǒng)中的注射器裝置進(jìn)行建模，通過(guò)基礎(chǔ)質(zhì)量傳遞偏微分方程的有限元模擬訓(xùn)練，將注射器行為映射到由系統(tǒng)物理變量參數(shù)化的一組性能分析函數(shù)中（圖2A），不僅計(jì)算速度比數(shù)值模擬快4個(gè)數(shù)量級(jí)，均方誤差也可精確至10?4。該工作首次將人工智能用于微流控裝置建模，即展現(xiàn)出了遠(yuǎn)超傳統(tǒng)數(shù)值模擬方法的運(yùn)算效率，為此后人工智能在微流控系統(tǒng)中的深度應(yīng)用提供了有益的指導(dǎo)。此外，Han等[31]利用遞歸神經(jīng)網(wǎng)絡(luò)模型對(duì)微流控柔性傳感器進(jìn)行表征（圖2B），在壓力響應(yīng)滯后的情況下，依然模擬出了柔性傳感器的非線(xiàn)性特征，并估算了其所受壓力刺激的大小與位置，其平均定位精度可達(dá)85.42%，標(biāo)準(zhǔn)偏差為5.81%。該研究展現(xiàn)了人工智能在尋找非線(xiàn)性關(guān)聯(lián)特征方面的優(yōu)勢(shì)，有可能為微流控柔性傳感器提供更多的表征與模擬工具，并簡(jiǎn)化機(jī)械與控制系統(tǒng)的結(jié)構(gòu)。

除了數(shù)值模擬，人工智能與微流控系統(tǒng)結(jié)合，還能快速分析不同參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響，并構(gòu)建預(yù)測(cè)模型。Nyberg等[32]以微流控單細(xì)胞實(shí)驗(yàn)為基礎(chǔ)，利用k-近鄰算法對(duì)6種細(xì)胞物理表型進(jìn)行分析，發(fā)現(xiàn)了一組預(yù)測(cè)癌細(xì)胞入侵的4種物理表型（圖2C（a）），其組合后的最高準(zhǔn)確度可達(dá)96%，最后通過(guò)訓(xùn)練多元線(xiàn)性回歸模型成功生成了癌細(xì)胞侵襲預(yù)測(cè)模型（圖2C（b））。該研究表明，人工智能有助于尋找影響事件發(fā)生的關(guān)鍵因素，并發(fā)現(xiàn)不同因素間的潛在聯(lián)系，為醫(yī)學(xué)研究模型、疾病診斷模型的開(kāi)發(fā)提供了更多手段。此外，Yasemi等[33]在使用微流控系統(tǒng)進(jìn)行鞣酸的提取實(shí)驗(yàn)時(shí)，利用ANN模型分析了多種實(shí)驗(yàn)參數(shù)對(duì)提取效率的影響，構(gòu)建了一種鞣酸提取效率模型。根據(jù)該模型得到了鞣酸最佳提取條件，實(shí)際提取率為95.01%±0.63%，與預(yù)測(cè)的最大提取率96.4%基本一致。因此，人工智能與微流控系統(tǒng)的結(jié)合，有效提高了實(shí)驗(yàn)參數(shù)優(yōu)化的進(jìn)程。另外，Huang等[34]使用ANN訓(xùn)練出了一種可以預(yù)測(cè)微通道特征系數(shù)的模型，用于研究微通道中的流體阻尼，特征系數(shù)預(yù)測(cè)值與實(shí)驗(yàn)測(cè)量值的平均偏差僅為4.7%。該研究表明，人工智能可以預(yù)測(cè)微流控系統(tǒng)中的某些關(guān)鍵參數(shù)，對(duì)于更加精確的數(shù)值模擬與流體操控也有很大的幫助。

甚至對(duì)于很多無(wú)法利用數(shù)字精確描述的直觀經(jīng)驗(yàn)，人工智能技術(shù)也能進(jìn)行描述。例如，Khor等[35]使用卷積自動(dòng)編碼器模型對(duì)微流體管道中的乳液液滴形狀進(jìn)行描述，精度可達(dá)91.7%，再對(duì)其中包含的多維參數(shù)進(jìn)行解釋?zhuān)罱K找到了影響液滴破裂的3個(gè)主要因素，總結(jié)出了微流體管道中乳液形狀與其后續(xù)變化之間的關(guān)系，成功預(yù)測(cè)了微流體通道中不同形狀乳液液滴的穩(wěn)定性（圖2D）。因此，人工智能在描述特征方面也有一定的優(yōu)勢(shì)，相關(guān)技術(shù)的應(yīng)用對(duì)于歸納、解釋微流控系統(tǒng)中的實(shí)驗(yàn)現(xiàn)象，加深對(duì)微流控系統(tǒng)的理解，具有重要的意義。

所以，人工智能在發(fā)現(xiàn)關(guān)鍵參數(shù)、預(yù)測(cè)多因素關(guān)聯(lián)、描述特征、總結(jié)歸納變化規(guī)律等方面具有優(yōu)勢(shì)，其在微流控系統(tǒng)中的應(yīng)用將推動(dòng)整體系統(tǒng)的智能化發(fā)展。

5?人工智能在微流控系統(tǒng)結(jié)果分類(lèi)中的應(yīng)用

微流控系統(tǒng)由于其自動(dòng)化、高通量的特點(diǎn)，在快速完成大量相似實(shí)驗(yàn)的同時(shí)，也會(huì)得到海量的實(shí)驗(yàn)結(jié)果。對(duì)這些結(jié)果進(jìn)行分析與分類(lèi)，并加以差異化處理，已經(jīng)成為對(duì)微流控?cái)?shù)據(jù)分析與挖掘的基本要求。得益于人工智能優(yōu)秀的分類(lèi)與聚類(lèi)能力，許多實(shí)用的微流控?cái)?shù)據(jù)處理技術(shù)得以發(fā)展。

首先，恰當(dāng)?shù)姆诸?lèi)可以有效區(qū)分不同的被測(cè)物狀態(tài)，如Ellett等[8]使用微流控系統(tǒng)從一滴稀釋血液中測(cè)量中性粒細(xì)胞的自發(fā)運(yùn)動(dòng)性，并通過(guò)基于機(jī)器學(xué)習(xí)的評(píng)分系統(tǒng)成功區(qū)分了敗血癥患者與其他患者的血樣。對(duì)42名患者中的敗血癥患者識(shí)別敏感率為97%，特異性為98%。這種可以區(qū)分疾病患者的分類(lèi)模型已經(jīng)起到了類(lèi)似疾病診斷模型的作用。類(lèi)似的，Manak等[36]將前列腺癌和乳腺癌患者的組織樣本在微流控裝置上成像，再利用隨機(jī)森林模型進(jìn)行分析，對(duì)癌癥病人的風(fēng)險(xiǎn)情況進(jìn)行分層，實(shí)現(xiàn)了疾病的分級(jí)（圖3A）。此外，Khan等[37]使用基于線(xiàn)性判別分析的分類(lèi)器，為實(shí)時(shí)診斷微流控裝置開(kāi)發(fā)了一種設(shè)備健康狀態(tài)診斷與預(yù)測(cè)系統(tǒng)，用于監(jiān)控設(shè)備狀態(tài)，準(zhǔn)確度>98%。因此，利用人工智能對(duì)微流控系統(tǒng)實(shí)驗(yàn)結(jié)果進(jìn)行恰當(dāng)分類(lèi)的意義，不亞于設(shè)計(jì)一個(gè)專(zhuān)門(mén)的研究模型，這也體現(xiàn)了人工智能在數(shù)據(jù)挖掘方面的能力。

其次，高效的分類(lèi)算法有助于開(kāi)發(fā)便攜式智能檢測(cè)設(shè)備。Potluri等[7]開(kāi)發(fā)了一種基于手機(jī)的低成本排卵檢測(cè)設(shè)備（圖3B），重量?jī)H208 g，可以利用微流控芯片對(duì)唾液進(jìn)行處理并產(chǎn)生特定紋路，再由手機(jī)上基于MobileNet模型（一種CNN模型）開(kāi)發(fā)的APP進(jìn)行分析，即可判斷婦女的排卵能力（準(zhǔn)確率>99%），幫助調(diào)控生育計(jì)劃。該方法將微流控芯片與手機(jī)相結(jié)合，體現(xiàn)了微流控技術(shù)和人工智能技術(shù)在家用檢測(cè)方面的潛力。此外，在可穿戴設(shè)備開(kāi)發(fā)方面，Kim等[38]使用兩個(gè)微流控柔性傳感器檢測(cè)人類(lèi)運(yùn)動(dòng)過(guò)程中的步態(tài)，再利用半監(jiān)督深度學(xué)習(xí)模型完成不同運(yùn)動(dòng)狀態(tài)下的步態(tài)分類(lèi)（圖3C），從而以較小的數(shù)據(jù)量實(shí)現(xiàn)了設(shè)備校準(zhǔn)。該研究說(shuō)明人工智能有助于簡(jiǎn)化可穿戴設(shè)備結(jié)構(gòu)，降低設(shè)備成本，對(duì)于相關(guān)設(shè)備的開(kāi)發(fā)與推廣，具有重要意義。

再次，依據(jù)結(jié)果進(jìn)行的分類(lèi)也有助于識(shí)別某些稀有或難以標(biāo)注的目標(biāo)。如Guo等[39]使用基于固態(tài)微孔的微流控阻抗細(xì)胞計(jì)數(shù)器，對(duì)600個(gè)紅細(xì)胞與癌細(xì)胞進(jìn)行檢測(cè)，再通過(guò)SVM模型分析信號(hào)脈沖中的兩個(gè)重要參數(shù)，測(cè)得癌細(xì)胞含量為（38.2%±2.0%），與商品化流式細(xì)胞儀測(cè)得的結(jié)果（36.4%±0.5%）基本一致，為癌細(xì)胞的識(shí)別提供了一種相對(duì)簡(jiǎn)單的方法。Wang等[40]利用微量移液器吸取腫瘤細(xì)胞的時(shí)間表征單個(gè)細(xì)胞的細(xì)胞質(zhì)粘度，又根據(jù)細(xì)胞質(zhì)粘度，將基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別用于不同細(xì)胞的分類(lèi)，最高取得了76.7%的分類(lèi)成功率。該工作體現(xiàn)了人工智能在發(fā)掘單個(gè)樣品特征的應(yīng)用價(jià)值方面，具有突出的能力。Jagannadh等[41]利用PCA、SVM模型，對(duì)顯微鏡觀察的微流控系統(tǒng)中的癌細(xì)胞進(jìn)行了無(wú)標(biāo)記分類(lèi)，降低了癌細(xì)胞識(shí)別難度，準(zhǔn)確率>97%。這些方法都為稀有或特征不明顯目標(biāo)的識(shí)別與標(biāo)注提供了更多的解決方案。

最后，強(qiáng)大的目標(biāo)分類(lèi)技術(shù)也為樣品的大規(guī)模分析提供了一種新的解決辦法。Svensson等[42]使用彩色微球?qū)ξ⒘骺匾旱芜M(jìn)行編碼后，利用隨機(jī)森林分類(lèi)器和貝葉斯分類(lèi)器進(jìn)行解碼，成功對(duì)20種實(shí)驗(yàn)條件、每種條件超過(guò)100000個(gè)液滴的大規(guī)模液滴群進(jìn)行了編碼與解碼（圖3D），解碼準(zhǔn)確率高達(dá)99.6%，展現(xiàn)了大規(guī)模微流控液滴作為細(xì)胞反應(yīng)器的應(yīng)用潛力。Athamanolap等[43]在微流控陣列平臺(tái)中使用數(shù)字PCR測(cè)定方法，在4 h內(nèi)完成了通常需要數(shù)天才能實(shí)現(xiàn)的快速細(xì)菌鑒定與抗菌藥物敏感性測(cè)試（圖3E），采用機(jī)器學(xué)習(xí)算法，依據(jù)基因熔解曲線(xiàn)自動(dòng)識(shí)別了細(xì)菌種類(lèi)，大大加快了識(shí)別速度。因此，人工智能在海量數(shù)據(jù)處理方面的突出性能，有助于突破微流控大規(guī)模樣品分析方面的技術(shù)瓶頸，推動(dòng)更多先進(jìn)設(shè)備的開(kāi)發(fā)。

由此可知，人工智能對(duì)微流控系統(tǒng)結(jié)果的高效分類(lèi)，在醫(yī)學(xué)模型構(gòu)建、設(shè)備狀態(tài)評(píng)估、便攜式智能檢測(cè)設(shè)備開(kāi)發(fā)、特殊目標(biāo)識(shí)別、大規(guī)模樣品分析等方面，都具有十分重要的意義。

6?結(jié)論與展望

微流控系統(tǒng)與人工智能分別在大數(shù)據(jù)生成、采集與數(shù)據(jù)處理方面的優(yōu)勢(shì)，使得二者的結(jié)合成為了一種必然的趨勢(shì)。首先，人工智能在大規(guī)模數(shù)據(jù)處理方面的優(yōu)勢(shì)，使其可對(duì)微流控系統(tǒng)自動(dòng)化、高通量的分析流程進(jìn)行快速實(shí)時(shí)的分析與判斷。其次，人工智能高通用性的信號(hào)檢測(cè)與目標(biāo)識(shí)別能力，可以減少對(duì)特定檢測(cè)設(shè)備的依賴(lài)，降低硬件要求，縮小設(shè)備體積，節(jié)約檢測(cè)成本，推動(dòng)微流控系統(tǒng)在微型化、集成化方面的發(fā)展。再次，人工智能可以對(duì)微流控系統(tǒng)產(chǎn)生的海量數(shù)據(jù)進(jìn)行深入挖掘，輔助研究者發(fā)現(xiàn)數(shù)據(jù)間的潛在關(guān)聯(lián)，歸納總結(jié)物性規(guī)律，構(gòu)建系統(tǒng)模擬與預(yù)測(cè)模型。最后，人工智能可以實(shí)時(shí)監(jiān)控系統(tǒng)運(yùn)行狀態(tài)，綜合評(píng)估實(shí)驗(yàn)結(jié)果，并智能調(diào)節(jié)其中關(guān)鍵步驟，充分發(fā)揮微流控系統(tǒng)的流體控制能力，推動(dòng)其由自動(dòng)化向智能化發(fā)展，以應(yīng)對(duì)更加復(fù)雜的實(shí)驗(yàn)環(huán)境與更加廣泛的應(yīng)用需求。

基于當(dāng)前的應(yīng)用趨勢(shì)，微流控領(lǐng)域的研究人員對(duì)人工智能技術(shù)的理解正在逐漸加深，將理論運(yùn)用于實(shí)際情境的工程能力也越來(lái)越強(qiáng)。一方面，從簡(jiǎn)單的回歸模型到相對(duì)復(fù)雜的統(tǒng)計(jì)模型，再到復(fù)雜度較高的深度學(xué)習(xí)模型，人工智能在微流控系統(tǒng)中所應(yīng)用的模型復(fù)雜度逐漸提升;另一方面，從單一人工智能模型到多種模型聯(lián)用，從標(biāo)準(zhǔn)模型到各種優(yōu)化模型，所用模型的靈活性也在逐步提高。這既得益于人工智能技術(shù)的逐步普及，也體現(xiàn)了微流控研究者對(duì)人工智能的關(guān)注與迫切需要。隨著Tensorflow等學(xué)習(xí)框架、分布式計(jì)算，人工智能基礎(chǔ)教育的推廣，學(xué)習(xí)并使用人工智能技術(shù)的門(mén)檻將進(jìn)一步降低，人工智能將成為微流控系統(tǒng)中如同數(shù)學(xué)、化學(xué)、物理學(xué)和計(jì)算機(jī)一般的基礎(chǔ)技術(shù)。

雖然，人工智能在微流控系統(tǒng)中已取得了許多重要的應(yīng)用成果，但仍然面臨諸多挑戰(zhàn)。例如，CNN等常用的監(jiān)督學(xué)習(xí)算法通常需要使用大量標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練，而標(biāo)記數(shù)據(jù)比較費(fèi)時(shí)費(fèi)力，因此無(wú)標(biāo)簽、半監(jiān)督的高效模型可能會(huì)成為未來(lái)的研究熱點(diǎn)。此外，在面對(duì)復(fù)雜的研究體系時(shí)，采用降維學(xué)習(xí)等相對(duì)簡(jiǎn)單的模型，可能尚不足以深入探究這些體系，而高度復(fù)雜的模型又帶來(lái)模型構(gòu)建與學(xué)習(xí)效率等方面的困難。因此，為了獲得更好的學(xué)習(xí)性能，還需進(jìn)一步發(fā)展深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等高復(fù)雜度模型，并開(kāi)發(fā)更多針對(duì)復(fù)雜體系的研究策略。另外，由于開(kāi)發(fā)難度的限制，目前人工智能主要用于對(duì)微流控系統(tǒng)的數(shù)據(jù)處理，但是其在狀態(tài)評(píng)估、系統(tǒng)決策、智能優(yōu)化等方面仍然具有很大的應(yīng)用潛力。

總之，人工智能在微流控系統(tǒng)中的應(yīng)用展現(xiàn)出蓬勃的發(fā)展態(tài)勢(shì)，在目標(biāo)檢測(cè)、關(guān)聯(lián)預(yù)測(cè)、結(jié)果分類(lèi)等方面展現(xiàn)了明顯的優(yōu)勢(shì)與良好的實(shí)用效果。隨著技術(shù)的快速進(jìn)步，人工智能技術(shù)必將逐步覆蓋微流控系統(tǒng)中數(shù)據(jù)處理、狀態(tài)評(píng)估、智能決策、自動(dòng)優(yōu)化等方面，大大提高微流控系統(tǒng)的智能化水平，并最終在化學(xué)、生物學(xué)、醫(yī)學(xué)、藥學(xué)、材料科學(xué)等領(lǐng)域取得更加廣泛且重要的應(yīng)用，甚至有望在當(dāng)前依賴(lài)專(zhuān)家經(jīng)驗(yàn)、人工嘗試的科研模式之外，發(fā)展出利用人工智能參與實(shí)驗(yàn)設(shè)計(jì)、操作和結(jié)果處理的新的科研模式。

References

1?Qasaimeh M A，Ricoult S G，Juncker D. ?Lab Chip，2013，13（1）： 40-50

2?Riordon J，Sovilj D，Sanner S，Sinton D，Young E W K. ?Trends Biotechnol.，2019，37（3）： 310-324

3?Tang J，Ibrahim M，Chakrabarty K，Karri R. ?IEEE Trans. Comput-Aided Des. Integr. Circuits Syst.，2019，38（4）： 589-603

4?Wu Q，Kumar N，Velagala V，Zartman J J. ?J. Biol. Eng.，2019，13（1）： 16-33

5?Lee W，Gonzalez A，Arguelles P，Guevara R，Gonzalez-Guerrero M J，Gomez F A. ?Electrophoresis，2018，39（12）： 1443-1451

6?Hassoun M，Rüger J，Kirchberger-Tolstik T，Schie I W，Henkel T，Weber K，Cialla-May D，Krafft C，Popp J. ?Anal. Bioanal. Chem.，2018，410（3）： 999-1006

7?Potluri V，Kathiresan P S，Kandula H，Thirumalaraju P，Kanakasabapathy M K，Kota Sai Pavan S，Yarravarapu D，Soundararajan A，Baskar K，Gupta R，Gudipati N，C. Petrozza J，Shafiee H. ?Lab Chip，2019，19（1）： 59-67

8?Ellett F，Jorgensen J，Marand A L，Liu Y M，Martinez M M，Sein V，Butler K L，Lee J，Irimia D. ?Nat. Biomed. Eng.，2018，2（4）： 207-214

9?Schneider G. ?Nat. Rev. Drug Discov.，2017，17（2）： 97

10?Thomford N，Senthebane D，Rowe A，Munro D，Seele P，Maroyi A，Dzobo K. ?Int. J. Mol. Sci.，2018，19（6）： 1578

11?Neethirajan S，Kobayashi I，Nakajima M，Wu D，Nandagopal S，Lin F. ?Lab Chip，2011，11（9）： 1574-1586

12?Marle L，Greenway G M. ?TrAC-Trends Anal. Chem.，2005，24（9）： 795-802

13?Samuel A L. ?IBM J. Res. Dev.，1959，3（3）： 211

14?Krizhevsky A，Sutskever I，Hinton G E. ?Adv. Neural Inform. Process. Syst.，2012： ?1097-1105

15?Rampasek L，Goldenberg A. ?Cell Syst.，2016，2（1）： 12-14

16?Nitta N，Sugimura T，Isozaki A，Mikami H，Hiraki K，Sakuma S，Iino T，Arai F，Endo T，F(xiàn)ujiwaki Y，F(xiàn)ukuzawa H，Hase M，Hayakawa T，Hiramatsu K，Hoshino Y，Inaba M，Ito T，Karakawa H，Kasai Y，Koizumi K，Lee S，Lei C，Li M，Maeno T，Matsusaka S，Murakami D，Nakagawa A，Oguchi Y，Oikawa M，Ota T，Shiba K，Shintaku H，Shirasaki Y，Suga K，Suzuki Y，Suzuki N，Tanaka Y，Tezuka H，Toyokawa C，Yalikun Y，Yamada M，Yamagishi M，Yamano T，Yasumoto A，Yatomi Y，Yazawa M，Di Carlo D，Hosokawa Y，Uemura S，Ozeki Y，Goda K. ?Cell，2018，175（1）： 266-276

17?Sutskever I，Vinyals O，Le Q V. ?Adv. Neural Inform. Process. Syst.，2012： ?3104-3112

18?Bahdanau D，Chorowski J，Serdyuk D，Brakel P，Bengio Y. ?Proc. IEEE Int. Conf. Acoust. Speech Signal Process.，2016： 4945-4949

19?Wu S，Ren W，Yu C，Chen G，Zhang D，Zhu J. ?Proc. IEEE Int. Conf. Data Eng.，2016： 1218-1229

20?Nemati S，Ghassemi M M，Clifford G D. ?Proc. IEEE Int. Conf. Eng. Med. Biol. Soc.，2016： 2978-2981

21?Abadi M. ?ACM Sigplan Not.，2016，51（9）： 1

22?Jia Y，Shelhamer E，Donahue J，Karayev S，Long J，Girshick R，Guadarrama S，Darrell T. ?Proc. 22nd ACM Int. Conf. Inf. Multimedia，2014： 675-678

23?Huang X，Jiang Y，Liu X，Xu H，Han Z，Rong H，Yang H，Yan M，Yu H. ?Sensors，2016，16（11）： 1836

24?Liu X，Huang X，Jiang Y，Xu H，Guo J，Hou H W，Yan M，Yu H. ?IEEE Trans. Biomed. Circuits Syst.，2017，11（4）： 794-803

25?Grcs Z，Tamamitsu M，Bianco V，Wolf P，Roy S，Shindo K，Yanny K，Wu Y，Koydemir H C，Rivenson Y，Ozcan A. ?Light Sci. Appl.，2018，7（1）： ?66

26?Wang M，Ong L S，Dauwels J，Asada H H. ?J. Med. Imag.，2018，5（2）： 024005

27?Rizkin B A，Popovich K，Hartman R L. ?Comput. Chem. Eng.，2019，121： 584-593

28?Kim K，Kim S，Jeon J. ?Sensors，2018，18（2）： 447

29?Moore N，Doty D，Zielstorff M，Kariv I，Moy L Y，Gimbel A，Chevillet J R，Lowry N，Santos J，Mott V，Kratchman L，Lau T，Addona G，Chen H，Borenstein J T. ?Lab Chip，2018，18（13）： 1844-1858

30?Magargle R，Hoburg J F，Mukherjee T. ?IEEE Trans. Comput-Aided Des. Integr. Circuits Syst.，2006，25（2）： 378-385

31?Han S，Kim T，Kim D，Park Y，Jo S. ?IEEE Robot. Autom. Lett.，2018，3（2）： 873-880

32?Nyberg K D，Bruce S L，Nguyen A V，Chan C K，Gill N K，Kim T，Sloan E K，Rowat A C. ?Integr. Biol.，2018，10（4）： 218-231

33?Yasemi M，Rahimi M，Heydarinasab A，Ardjmand M. ?Chem. Prod. Process Model.，2017，12（1）： 20160053

34?Huang L，Nie W，Wang X，Shen T. ?Microsyst. Technol.，2017，23（6）： 2297-2305

35?Khor J W，Jean N，Luxenberg E S，Ermon S，Tang S K Y. ?Soft Mat.，2019，15（6）： 1361-1372

36?Manak M S，Varsanik J S，Hogan B J，Whitfield M J，Su W R，Joshi N，Steinke N，Min A，Berger D，Saphirstein R J，Dixit G，Meyyappan T，Chu H，Knopf K B，Albala D M，Sant G R，Chander A C. ?Nat. Biomed. Eng.，2018，2（10）： 761-772

37?Khan H，Al-Gayem Q，Richardson A M. ?IEEE Trans. Device Mater. Rel.，2017，17（2）： 438-449

38?Kim D，Kim M，Kwon J，Park Y，Jo S. ?IEEE Robot. Autom. Lett.，2019，4（3）： 2501-2507

39?Guo J，Chen Z，Ban Y，Kang Y. ?IEEE Trans. Emerg. Topics Comput.，2017，5（4）： 518-525

40?Wang K，Sun X H，Zhang Y，Zhang T，Zheng Y，Wei Y C，Zhao P，Chen D Y，Wu H A，Wang W H，Long R，Wang J B，Chen J. ?Rev. Soc. Open Sci.，2019，6（3）： 181707

41?Jagannadh V K，Gopakumar G，Subrahmanyam G R K S，Gorthi S S. ?Med. Biol. Eng. Comput.，2017，55（5）： 711-718

42?Svensson C M，Shvydkiv O，Dietrich S，Mahler L，Weber T，Choudhary M，Tovar M，F(xiàn)igge M T，Roth M. ?Small，2018，15（4）： 1802384

43?Athamanolap P，Hsieh K，Wang A T. ?40th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc.，2018： ?5346