光学衍射层析与可解释机器学习揭示红细胞内配子体期疟疾的生物物理特征
核心概要
该研究将无标记光学衍射层析（ODT）与可解释机器学习结合，从同步培养的恶性疟原虫感染红细胞的三维折射率层析图中提取形态与生物物理描述符（球形度、实心度、离心率、干质量、最大折射率）以及自监督视觉Transformer（ViT）的图像表征，发现配子体期感染红细胞球形度显著降低、离心率升高，联合特征空间在多分类（正常、环状体、配子体）中达到88.3%准确率、在二分类（正常与感染）中达到98.1%准确率，SHAP分析显示深度学习特征对正常与环状体期最强、手工特征对配子体期分类关键。
深度剖析
研究提出并验证了ODT结合可解释机器学习用于无标记、阶段分辨的疟疾感染红细胞表征与分类框架。 相对于依赖吉姆萨染色显微镜和快速诊断测试（RDT）的传统工具，该工作以无标记方式获取三维折射率层析图，并同时输出可量化的形态与生物物理描述符。 基于同步恶性疟原虫培养的红细胞三维折射率层析图，提取球形度、实心度、离心率、干质量和最大折射率等物理可解释描述符，并整合自监督ViT图像表征进行下游分析。
配子体期感染红细胞呈现独特的形态学特征，球形度显著降低、离心率较环状体期感染或正常红细胞升高。 该发现将阶段特异性形态差异量化为可测量的生物物理指标，而传统方法难以实时量化或区分感染阶段。 来自同步培养红细胞的ODT三维折射率层析图，通过提取的形态描述符进行组间比较，摘要报告了显著差异。
联合手工特征与深度学习特征的监督模型在多分类和二分类任务中分别达到88.3%和98.1%的准确率。 该结果展示了将物理可解释描述符与数据驱动图像表征整合用于阶段分辨分类的可行性，而现有诊断工具在实时阶段区分方面受限。 在联合特征空间上训练监督模型，报告了多分类（正常、环状体、配子体）88.3%准确率和二分类（正常与感染）98.1%准确率。
SHAP分析揭示深度学习衍生特征对正常和环状体期红细胞是最强预测因子，而手工特征对配子体期分类起关键作用。 该可解释性分析将分类决策与配子体期显著的形态变化联系起来，提供了模型预测依据的透明解读。 通过SHAP分析对联合特征空间中的预测因子重要性进行归因，摘要报告了不同阶段特征贡献的差异。
启示与展望
该工作面向同步恶性疟原虫培养的红细胞，在受控实验设置下实现无标记阶段分辨表征与分类，适用于环状体期和配子体期的区分；其潜在应用场景包括高通量分析、培养监测和未来诊断工作流，但摘要未说明是否已在临床样本或不同实验室条件下验证。
读者可能关注：联合特征空间在独立数据集或临床样本上的泛化能力；手工特征与ViT特征在不同阶段分类中的相对贡献是否稳定；ODT通量与培养监测场景的兼容性；以及SHAP归因是否在不同模型或数据划分下保持一致。摘要未提供样本量、置信区间或外部验证结果，这些是评估其转化潜力的开放问题。