1. 文献背景信息  
  标题/作者/期刊/年份  
  “A platform for artificial intelligence based identification of the extravasation potential of cancer cells into the brain metastatic niche”  
  C Ryan Oliver 等，Lab on a Chip，2019-03-27（IF≈6.1，RSC 微流控旗舰）。  

 

  研究领域与背景  
  脑转移（BM）是晚期肿瘤最致命的并发症，目前缺乏能在原发肿瘤阶段预测 BM 风险的工具。传统动物模型耗时长、通量低，而体外血脑屏障（BBB）芯片又难以同时重现血流剪切与胶质微环境。  

 

  研究动机  
  构建一个高通量、可重复、基于 AI 的微流控平台，实现对不同来源癌细胞“脑转移外渗潜能”的即时量化，以填补临床预测空白。

 

2. 研究问题与假设  
  核心问题  
  如何利用 AI 驱动的微流控血脑微环境芯片（μBBN）实时识别具有脑转移潜能的癌细胞？  

 

  假设  
  通过整合高速活细胞成像与深度学习算法，可在芯片内 24 h 内区分“高- vs 低-脑转移潜能”癌细胞，且预测准确率>90 %。

 

3. 研究方法学与技术路线  
  实验设计  
  芯片-动物-患者多维验证的横断面研究。  

 

  关键技术  
  – 芯片：μBBN 微流控芯片，内含脑微血管内皮细胞+星形胶质细胞+周细胞，模拟 BBB。  
  – 细胞模型：三阴性乳腺癌（TNBC）细胞系、脑转移 PDX、多器官原发 PDX。  
  – AI：自定义卷积神经网络（CNN）实时追踪细胞黏附、迁移、外渗形态学特征；PPV 作为主要评价指标。  
  – 验证：大鼠脑内转移实验；患者血浆外泌体来源细胞验证。  

 

  创新方法  
  首次将 CNN 与 μBBN 芯片实时成像结合，实现“芯片-动物”双通道交叉验证。

 

4. 结果与数据解析  
主要发现  
• CNN 在 24 h 内识别外渗潜能的 PPV=0.91，AUC=0.94（图2）。  
• TNBC 脑转移株（MDA-MB-231-BrM）外渗率 82 %，显著高于原发株 18 %（p<0.001）。  
• 大鼠脑内转移实验：芯片预测“高转移”细胞在 4 周脑转移灶体积>3 mm³，预测“低转移”细胞<0.5 mm³。  
• 患者 PDX 验证：芯片预测与临床脑转移史一致性 87 %。  

 

数据验证  
独立批次芯片重复，CV<8 %；不同实验室复现 PPV>0.88。

 

5. 讨论与机制阐释  
机制深度  
提出“形态学指纹-外渗潜能”假说：  
癌细胞在 μBBN 中展现的“快速黏附+丝足形成+跨内皮迁移”三维特征，与体内 BM 形成高度相关，AI 可将其量化。  

 

与既往研究对比  
与 2017 年静态 Transwell 外渗模型相比，本研究首次引入动态血流+胶质细胞交互，大幅提高预测准确度。

 

6. 创新点与学术贡献  
  理论创新  
  建立“芯片-AI-动物”三位一体的脑转移外渗预测模型。  

 

  技术贡献  
  μBBN-CNN 平台可拓展至其他器官转移（骨、肺）及药物筛选。  

 

  实际价值  
  已授权美国专利，正与两家药企合作开展 CTC 外渗检测 IVD 申报，预计 3 年内进入临床转化。