📄 bioengineering

LIT (Layer-Wise Image Trajectories): In Situ Monitoring for Early Quality Prediction and Anomaly Detection in Acellular and Cell-Laden Two-Photon Polymerization

本文介绍了层级图像轨迹（Layer-wise Image Trajectories, LIT），这是一种原位监测方法，通过分析双光子聚合过程中的同轴图像对比，来预测无细胞及含细胞水凝胶的制造质量并早期检测构建过程中的异常，从而克服了传统后处理评估的局限性。

原作者： Prioglio, E., Scrocciolani, C., Colosimo, B. M.

发布于 2026-08-17

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Prioglio, E., Scrocciolani, C., Colosimo, B. M.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，试图用果冻建造一座微小的、三维的城市，但这些果冻是活着的。你想要如此精确地构建它，使得每一条街道和每一栋建筑都只有单个细胞大小，从而为活体组织创造一个完美的家园。这就是**双光子聚合（Two-Photon Polymerization, 2PP）**的世界。把它想象成一支超精密的激光笔，可以在一滴液体内部进行绘图，只在激光触碰的地方将其硬化，逐层进行。它是制造“生物墨水”——即能够容纳活细胞的凝胶——以创造用于医学或研究的人工组织的终极工具。

然而，这里有一个难点。与普通的塑料树脂不同，这些活体凝胶极其敏感。它们就像暴风雨中的纸牌屋；激光功率或速度的微小变化都可能导致整个结构坍塌，或者更糟，起初看起来很完美，但随后却分崩离析。最大的问题在于：你通常直到洗掉液体并观察残骸时，才知道你的微型城市是否幸存了下来。到那时，活细胞可能已经死亡，实验也宣告失败。科学家们一直试图在构建过程中窥视进度，但这就像是试图仅通过一张模糊的生面糊照片来判断蛋糕是否烤熟了一样。

这篇论文介绍了一种聪明的实时观察构建过程的新方法，称为层级图像轨迹（Layer-wise Image Trajectories, LIT）。与其试图判断单层图像是“好”还是“坏”（因为图像通常很模糊，这往往是不可能的），研究人员教计算机将各层之间进行比较，就像裁判通过比较两名跑步选手的表现来判断谁领先一样。通过追踪打印过程的“得分”如何从第一层到第一百层发生变化，他们为每一次打印都创建了一个独特的“指纹”。

奇迹在于：这些指纹在打印完成之前很久就能预示其命运。如果得分曲线保持平坦，则表示打印正在失败；如果上升过快，则表示结构正在受损；如果遵循一条平滑、稳定的路径，则结构很可能成功。值得注意的是，即使在墨水中混合了活细胞，这一方法依然有效。细胞就像微小的、不可预测的障碍物，会散射激光光线，使过程变得更加混乱。然而，LIT系统能够及早识别出这些混乱的打印过程，区分出成功的构建、坍塌的构建以及过度受热的构建，而此时打印机仍在运行中。

研究人员在48个不同的打印样本上测试了这一技术，其中一些含有细胞，另一些则不含，并使用了各种激光设置。他们发现，仅仅将机器设置为“正确”的数值是不够的；有时，即使使用相同的设置，一个打印件会失败而其孪生兄弟却能成功。这证明了结果取决于机器内部在特定打印过程中实际发生了什么，而不仅仅是屏幕上的设置。通过将新的打印过程的实时“得分”与由已知成功打印件建立的“控制带”进行比较，该系统早在第11层时就能发现异常并发出警报。这意味着在未来，科学家们或许能在打印中途停止失败的打印，从而节省宝贵的时间、昂贵的材料，以及最重要的——其中的活细胞。这就像拥有一个聪明的助手，在蛋糕还在烤箱里时就低声提醒：“嘿，这蛋糕快烧焦了，”而不是等到取出时才发现已经变成了一团焦炭。

技术摘要：用于双光子聚合原位监测的层级图像轨迹 (LIT)

问题陈述
双光子聚合 (2PP) 是制造细胞级、3D 组织微环境的前沿技术。然而，从传统的光敏树脂向基于水凝胶的生物墨水过渡引入了显著的不确定性。当活细胞被嵌入树脂时，这一问题会进一步加剧；细胞会散射并吸收激光，从而产生一种无法在参数层面控制的空间随机局部能量场。因此，相同的标称工艺参数（激光功率和扫描速度）往往会导致截然不同的结果，其范围涵盖了从完全制造失败到结构完整或受损。此外，传统的质量评估依赖于开发（洗去未聚合树脂）后的离位 (ex situ) 评估，而这一阶段对于采取纠正措施而言已经太晚了。现有的原位 (in situ) 监测方法通常依赖于离散的质量标签或单帧分析，这无法捕捉连续的聚合过程或预测最终尺寸稳定性所需的构建累积历史。

方法论
作者提出了一个通过层级图像轨迹 (Layer-wise Image Trajectory, LIT) 来追踪制造状态连续演变的 in situ 监测框架。该方法包含以下步骤：

实验设置： 使用商用 2PP 系统 (Nanoscribe Quantum X shape) 对两种配方（无细胞水凝胶 15% PhotoGel95% 和含有 C2C12 小鼠成肌细胞的含细胞变体）进行了全因子实验设计 (DOE)。激光功率 (110–140 mW) 和扫描速度 (10,000–70,000 µm/s) 均进行了变化。
数据采集： 在每项打印完成 100 层中的每一层时，捕获共轴光学图像。这些图像存在固有对比度低和伪影（离焦信号、细胞散射）的问题，使得对聚合状态进行直接分割或绝对分类变得不可靠。
模型架构 (孪生网络)： 为了克服绝对标签的局限性，作者采用了孪生神经网络 (Siamese neural network，以 ResNet18 为骨干网络)，通过对来自不同打印的同层图像进行成对比较进行训练。
- 标注策略： 基于心理物理学和人类偏好理论，专家分配了排名标签 ( $y \in \{-1, 0, +1\}$ )，指示两张同层图像中哪一张表现出更先进的聚合程度（基于对比度、边界清晰度和孔隙定义）。
- 训练目标： 网络最小化基于间隔的铰链损失 (margin-based hinge loss)，以学习一个代表“聚合得分”的标量嵌入。至关重要的是，该模型是在不使用后处理结果标签的情况下进行训练的，仅依赖于视觉相对判断。
轨迹构建： 训练好的编码器将每项打印的 100 层映射为一个标量得分。这些得分使用指数移动平均 (EMA) 进行平滑处理，从而生成每项打印的 LIT 曲线。
异常检测： 利用经证实具有结构完整性的打印所得的 LIT 曲线，建立一个参考带（上控制限/下控制限，UCL/LCL）。新打印过程会被实时监测；如果平滑后的得分偏离控制限（使用 Bonferroni 校正进行多重比较计算），则会触发警报。

关键结果

构件特异性变异： 研究证实，制造结果不仅由工艺参数决定。由于每次特定打印过程中细胞与树脂之间独特的随机相互作用，相同的参数设置在重复实验中产生了混合的结果（类别 0–3）。
细胞的影响： 细胞的存在改变了工艺窗口，使得在比无细胞配方更低的能量剂量下实现成功的构件形成。然而，这也增加了在高剂量下发生过度聚合和损伤（烧灼痕迹）的风险。
LIT 性能： LIT 曲线根据后处理结果成功进行了聚类（类别 0：无结构；类别 1：塌陷；类别 2：完整；类别 3：损伤），且在训练期间未进行任何类别监督。
- 无细胞： 类别 2 打印从开始就表现出较高的得分；类别 0 打印则保持平坦。
- 含细胞： 类别 3（受损）打印表现出陡峭且早期的得分上升，而类别 0 打印保持平坦。
早期检测： 监测框架在早期到中期层级（例如，针对过度聚合的第 11 层和针对聚合不足的第 44 层）就检测到了异常，远早于构建完成或开发阶段。这使得能够识别出将失败或需要干预的打印任务。

意义与主张
本文声称展示了首次专门针对含细胞双光子聚合进行 in situ 质量预测和异常检测的应用。

作者强调了其方法相对于现有文献的两个显著优势：

连续性 vs. 离散性： 与分配离散标签的分类模型不同，LIT 提供了一个连续得分，保留了制造状态的梯度变化。
历史感知性： 轨迹编码了聚合演变的速率和一致性，捕捉了单层评估所遗漏的信息。

研究结论指出，在基于水凝胶的 2PP 中，工艺参数不足以预测质量，特别是存在活细胞时。所提出的 LIT 框架提供了一种非侵入式、数据驱动的方法来监测每次单独打印过程中“发生了什么”，从而实现从后验评估向实时、可操作信号的转变。作者指出，虽然该框架具有前景，但未来的工作需要扩大数据集以涵盖多样化的几何形状和生物墨水，以优化控制限并表征部分聚合与完全聚合之间的过渡区域。

类似论文