综述：基于人工智能的侧向流动免疫分析技术的演变：基于图像的定量分析技术的关键回顾与未来前景

《Chemometrics and Intelligent Laboratory Systems》：The evolution of AI-driven lateral flow immunoassays: A critical review and future prospects of image-based technologies for quantitative analysis

LFIA通过AI驱动的图像分析实现定量诊断革新，提升灵敏度与可靠性，扩展至多组学检测和智能制造。

　　

Jongwon Park

韩国庆尚府庆吉尔大学生物医学工程系，38428

摘要

虽然侧向流动免疫测定（LFIA）已成为即时检测（POCT）诊断的基石，但依赖视觉解释的传统方法在定量分析方面存在明显局限性。本文强调，集成基于人工智能（AI）的先进图像分析技术不仅能够克服这些定量限制，还在根本上改变了整个LFIA生命周期的范式，包括研究开发、质量控制和最终临床诊断。本文系统地分析了技术演变过程，从传统的图像处理到能够实现特征自动化和全局上下文理解的先进机器学习和深度学习架构。我们批判性地研究了这些方法如何提高各种分析物的定量准确性，包括心脏生物标志物、激素和微RNA。此外，我们还强调了AI在扩展LFIA应用范围方面的作用——特别是在多重检测、反应动力学分析和制造缺陷检测中。最终，AI与LFIA的结合最大限度地提高了灵敏度和重复性，成为迈向下一代精准POCT诊断平台的主要推动力。

引言

侧向流动免疫测定（LFIA），通常被称为“快速检测”，因其成本效益高、周转时间快和用户友好而成为即时检测（POCT）诊断的基石。尽管LFIA在医疗、环境和食品行业得到广泛应用——从妊娠诊断到传染病筛查——但由于其依赖于主观的视觉解释，因此存在固有的局限性[[1], [2], [3]]。

传统的LFIA仅限于定性分析，即根据测试线（T线）的视觉评估来确定疾病的存在与否。这种方法极易受到观察者偏见的影响，当遇到模糊的T线时，可靠性会显著下降。在需要精确监测肿瘤标志物或药物浓度的临床环境中，这种不确定性可能导致严重的误诊。因此，这些局限性成为LFIA在高精度应用中普及的障碍，凸显了迫切需要创新技术解决方案[1]。

为了克服这些障碍，已经开发了几种高灵敏度的信号放大策略，使用了表面增强拉曼散射（SERS）探针、磁性纳米探针和长余辉纳米探针等先进材料。虽然这些技术显著提高了检测限，但它们也有一些显著的缺点。基于SERS的检测通常需要昂贵且复杂的拉曼光谱仪，这影响了POCT的便携性和低成本特性。基于磁性纳米粒子的平台通常需要外部读取硬件，并且容易受到周围环境的电磁干扰。长余辉纳米探针虽然有助于减少背景荧光，但信号会随时间衰减，测量时需要精确的时间控制。为了解决这些实施挑战，最近开发了一种便携式的定量LFIA平台，该平台利用余辉纳米探针，在家庭医疗环境中展示了高灵敏度诊断的潜力[4]。在这种情况下，集成人工智能（AI）策略具有明显优势。AI提供了计算能力，可以自主过滤复杂噪声并通过预测建模补偿信号衰减。因此，仅使用普通的智能手机硬件即可实现高精度量化。

在这种背景下，普及的智能手机和AI的进步成为了一个决定性的解决方案和真正的游戏规则改变者。智能手机配备了高分辨率摄像头和强大的处理能力，为将LFIA试纸图像转换为客观数字数据提供了理想的平台。此外，计算机视觉和机器学习算法已经显示出超越人类视觉局限性的潜力，能够实现即使是最微妙信号变化的精确定量分析[[5], [6], [7], [8], [9], [10], [11], [12], [13]]。这不仅仅是现有技术的改进，而是代表了POCT诊断领域的范式转变，显著提高了准确性和可靠性，而无需昂贵的实验室设备[7,14]。

虽然一些综述探讨了算法在LFIA中的集成，例如Qin等人的全面研究[15]，但这些之前的工作主要集中在传统的图像处理和早期阶段的机器学习模型上。自2010年代末以来，特别是在2019冠状病毒病（COVID-19）大流行的推动下，该领域见证了先进深度学习架构的前所未有的爆发。与现有文献不同，我们的综述将技术轨迹分为一个系统的三级框架——从基于特征的建模到通过视觉变换器实现全局上下文理解——并提供了一个包括可解释AI（XAI）和监管框架在内的未来-ready路线图。

因此，本文深入分析了这一范式转变在各个技术阶段的表现，并为未来的研究方向提供了路线图。从传统图像处理技术如何解决视觉解释的主观性问题开始，我们全面探讨了先进机器学习和深度学习架构如何提高LFIA数据分析和的精确性和可靠性。我们的目标是促进对LFIA与AI之间协同作用的系统理解，揭示这些技术在未来的精准医学和公共卫生领域中的巨大潜力。

部分摘录

用于定量LFIA分析的图像处理技术

在集成AI之前，引入了基于仪器的分析方法来克服传统视觉解释的主观性并获得客观的定量数据。早期的迭代方法，如光电二极管扫描仪和反射式设备，但由于需要机械运动部件以及相对较大的尺寸而受到限制[[16], [17], [18], [19]]。近年来，基于图像的分析方法

利用机器学习和深度学习的先进分析方法

传统的峰值查找算法在分析复杂的LFIA数据时面临固有的局限性，如基线波动、背景噪声、峰值重叠和信号弱等问题。为了克服这些障碍，机器学习——特别是深度学习——已被集成到LFIA数据分析中，带来了显著的性能突破[14,16,17]。图2展示了应用于LFIA的机器学习和深度学习模型的技术演变阶段

AI驱动的LFIA分析系统的优势

基于AI的LFIA分析系统正在超越理论潜力，并在实际临床环境中展示其实用价值。

●

准确性和客观性的提高：由于AI基于预定义的算法进行结果解释，因此从根本上消除了由人为主观性或疲劳引起的错误。Martin等人的研究表明，基于AI的SARS-CoV-2抗原检测的灵敏度为86.2%，显著高于

系统集成和应用领域的扩展

图像分析和深度学习技术正在最大化LFIA的性能，并扩展到广泛的应用领域。除了简单的结果解释外，这些方法还被应用于整个工作流程——从试剂盒开发和质量控制到最终临床诊断。AI的集成贯穿了整个LFIA生命周期，如图4所示。除了简单的结果解释外，AI驱动的架构还通过优化

未来展望和挑战

在过去几十年中，LFIA从一个简单的定性诊断工具发展成为一个能够通过图像分析和人工智能技术进行精确定量分析的强大平台。通过克服视觉解释的主观性并利用智能手机等普及设备获得高度可靠的结果，代表了POCT领域的重大范式转变。包括基于深度学习的创新方法

资金

本研究未获得公共、商业或非营利部门的任何特定资助。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。