华中科技大学张玉慧教授团队认为，血小板的亚细胞结构如微管、α-颗粒、致密颗粒等可以反映其生理状态，可能与体内肿瘤的发生阶段有关。但传统光学成像方法受限于光学衍射极限无法捕捉其亚细胞结构的差异。而电镜检测具有通量小、制样复杂、成本高昂等缺点。如何取得通量、成像效果、成本三者的平衡决定了该方向在临床上的应用。

针对上述问题，张玉慧教授团队与超视计科技团队合作，提出利用超分辨荧光显微镜和自动化图像分析方法实现了高通量的血小板亚细胞器结构成像、分析、统计（图1），打破通量、分辨率、成本的不可能三角。研究成果以题为“Superresolution fluorescence microscopy of platelet subcellular structures as a potential tumor liquid biopsy”在线发表于《Small Methods》。该研究有望为肿瘤患者诊疗提供新的突破点。

张玉慧教授团队首先建立了血小板样品制备的标准化流程，筛选出最优血小板亚细胞结构荧光标记方法，为高通量获得血小板亚细胞结构超分辨荧光图像奠定基础，解决了利用血小板亚细胞结构进行临床检测时存储、分离和固定等过程对亚细胞结构的影响，为后续体系化分析和采样奠定了坚实的基础。通过数据分析，团队发现了肿瘤患者血小板中微管和α-颗粒拥有独特的分布模式。例如在微管中，健康对照组主要呈现圆环线圈状，而在肿瘤患者中发现了多种先前未曾报道的微管分布模式，如：弥散模式、不规则模式和聚集模式。同样的差异也体现在α-颗粒的分布模式。

已有大量的血小板亚细胞超分辨图像，但缺少针对血小板亚细胞结构图像高通量自动化分析方法。针对上述问题，张玉慧教授团队与超视计科技团队合作，开发了一套自动化高通量的图像分析流程。

该方法充分利用明场和荧光成像的特点，结合深度学习，首先实现了细胞高效分割（图2a i）。然后利用分割结果与深度学习分类网络实现血小板亚细胞结构的准确分类（图2a ii-iv）。对于α-颗粒，该方法会自动进行颗粒计数以进行定量化分析（图2a）。该分析方法除了具有可解释性高（图2a v-vi）外，还具有无偏、自动化、准确的特点（图2b-c）。

最后，利用上述技术对肿瘤患者（包括：骨髓增殖性肿瘤、卵巢癌、宫颈癌、子宫内膜癌及脑胶质瘤）与健康对照组、良性肿块患者的血小板亚细胞结构进行对比统计分析。结果表明，α-颗粒在血小板中的分布模式有潜力成为如胶质瘤、宫颈癌、子宫内膜癌和卵巢癌等多种癌症的生物标志物，因此不仅有助于这些疾病的诊断，还具有评估治疗效果的潜力。

文献链接：https://doi.org/10.1002/smtd.202300445