PRO会员通讯
编辑 | 2049
想象一下，一位生物学家在显微镜前观察细胞，为了看清细胞中特定的荧光标记物，每个实验都需要使用特制的光学滤光片组。这些滤光片组就像精密的光学「滤镜」，由二向色镜和高光密度带通滤光片构成，用于分离激发光和荧光发射光。
然而，这种传统设计带来了几个显著问题：首先是设备成本增加，其次是系统变得庞大复杂，更重要的是在需要观察多种荧光标记时，机械切换滤光片的过程会显著降低实验效率。
有没有一种方法可以摆脱这些「滤镜」，让显微镜变得更智能、更高效呢？最近，来自上海理工大学、上海交通大学、杜克大学的研究人员提出了一项由 AI 驱动的创新技术——无滤光片荧光显微镜 DL-F^3 M ——正在改变这一现状。
该研究以「Deep learning-enabled filter-free fluorescence microscope」为题，于 2025 年 1 月 1 日发布在《Science Advances》。
研究背景
荧光成像是生物科学和医学领域的关键技术。通过使用荧光染料或蛋白质等标记物，科研人员可以直观地观察基因和蛋白质的表达，以及细胞和组织中的分子相互作用。但传统技术面临一个根本性挑战：如何在不依赖复杂滤光片组的情况下，有效分离激发光和荧光信号？
业界已有一些改进尝试：一种方法使用时间分辨探测器（如条纹相机）在短暂的检测窗口内探测荧光发射，从而过滤掉飞秒级激发光；另一种是全光谱照明策略，实现激发光和发射光的空间分离。然而，这些方法在弱荧光和强散射样品成像时仍面临挑战。
近年来，人工智能技术在显微成像领域取得了一系列突破，包括提升空间分辨率、实现自动对焦、扩展景深等。基于这些进展，研究团队提出了一种创新方案：深度学习使能的无滤光片荧光显微镜 DL-F^3 M 。这一技术致力于解决荧光显微镜的核心问题：如何在不使用传统滤光片的情况下，准确提取荧光信号。
技术创新
在系统架构上，DL-F^3 M 采用简化的光路设计，使用可调 LED 光源替代传统钨卤灯，通过设置入射角 β 大于物镜半角孔径 α 来最小化激发光进入物镜的耦合。系统利用彩色相机的滤光阵列（Bayer filter）直接检测荧光发射。
其核心是两阶段深度学习框架：首先是基于 MobileNetV2 框架的轻量级 NetFCS，包含 32 个滤波器和 17 个残差瓶颈层，用于自动识别荧光通道；其次是数字光谱滤波网络库，采用三个卷积网络、残差网络与跨阶段部分网络，以及两个转置卷积网络的组合架构。
图1：DL-F^3 M系统工作原理示意图。（来源：论文）
训练采用条件生成对抗网络框架，包括用于重建荧光图像的生成器和基于 PatchGAN 的判别器。训练使用 Adam 优化器，初始学习率为 2×10^-4，通过结合像素级损失和对抗性损失优化网络性能。
图2：DL-F^3 M 神经网络架构图。（来源：论文）
实验验证
为了验证 DL-F^3 M 的性能，研究人员进行了多项实验。实验样本包括 HEK293T 细胞、4T1 小鼠乳腺癌细胞和 BALB/3T3 成纤维细胞，分别标记了不同的荧光染料。实验中使用不同放大倍数的物镜（5×、10×和20×）进行成像，以评估 DL-F^3 M 在不同条件下的表现。
实验结果表明，DL-F^3 M 能够准确地预测荧光信号，其敏感性和特异性均达到了高水平。例如，在观察转染了绿色荧光蛋白（GFP）的细胞时，DL-F^3 M 能够清晰地识别出荧光信号，且与传统的荧光显微镜结果高度一致。此外，DL-F^3 M 还成功应用于免疫荧光实验，定量分析了成纤维细胞转化过程中的生物标志物表达变化。
DL-F^3 M 的创新效果通过结构相似性指数（SSIM）和信噪比（SNR）等指标进行了验证。实验结果显示，DL-F^3 M 生成的荧光图像与真实图像的SSIM值超过 0.87，SNR值超过 31.7，证明了其高精度和可靠性。
图3：HEK293T细胞荧光成像结果。（来源：论文）
结语
DL-F^3 M 技术不仅突破了传统荧光显微成像的物理局限，还开创了光学系统与人工智能深度融合的新范式。这一创新方法在生物医学成像领域具有广阔的应用前景，可望推动整个领域的技术革新。
未来，该系统将在多个方向继续发展，包括扩展荧光通道、提升实时成像性能，以及拓展在其他生物医学仪器上的应用。这项研究不仅体现了 AI 与光学显微技术的创新融合，更为生物医学成像领域提供了富有启发性的方法论指导，凸显了跨学科研究的重要价值。
论文链接：https://www.science.org/doi/10.1126/sciadv.adq2494
