이미지 없이 빠르게 세포를 분류하는 고스트 사이토메트리

초록

고스트 사이토메트리는 정적인 광패턴에 흐르는 세포를 통과시켜 압축된 광신호를 얻고, 이를 이미지 재구성 없이 바로 머신러닝으로 분류하는 초고속 이미지‑프리 사이토메트리 기술이다. 압축된 시간 도메인 파형을 이용해 세포의 형태와 형광 특성을 실시간으로 판별하며, 필요 시 재구성된 이미지를 통해 전통적인 이미지 기반 분석도 가능하다.

상세 분석

본 논문은 기존의 이미지 기반 흐름 사이토메트리와 압축 감지 기술을 융합한 새로운 패러다임, 즉 ‘고스트 사이토메트리’를 제시한다. 핵심 아이디어는 정적인 광패턴(예: 랜덤 매트릭스)을 마이크로채널을 따라 흐르는 세포에 투사하고, 세포가 패턴을 통과하면서 발생하는 투과광 또는 형광 신호를 고속 포토디텍터로 연속적으로 측정하는 것이다. 이때 얻어지는 신호는 시간에 따라 변하는 1차원 파형이며, 이는 세포가 패턴을 어떻게 샘플링했는지에 대한 압축된 표현이다.

전통적인 압축 감지에서는 이러한 신호를 역변환 알고리즘(예: L1 정규화 기반 재구성)으로 풀어 이미지로 복원한다. 그러나 이미지 복원은 계산량이 크고 실시간 처리가 어렵다. 고스트 사이토메트리는 이 과정을 건너뛰고, 파형 자체를 특징 벡터로 활용한다. 구체적으로, 수천 개의 라벨링된 세포 파형을 수집한 뒤, 딥러닝(1‑D CNN) 혹은 전통적인 머신러닝(SVM, 랜덤 포레스트) 모델에 학습시켜 분류기를 구축한다.

실험에서는 혈액 세포, 암 세포, 그리고 형광 라벨링된 미생물을 대상으로 두 가지 접근법을 비교하였다. 첫 번째는 압축 신호를 재구성해 이미지 기반 CNN에 입력하는 방법이며, 두 번째는 재구성 없이 원시 파형을 바로 분류기에 투입하는 방법이다. 결과는 두 방법 모두 높은 정확도(>95%)를 보였지만, 이미지‑프리 파이프라인이 처리 속도에서 수십 배 우위를 차지했다. 또한, 파형 기반 분류는 광학적 왜곡이나 노이즈에 대한 내성이 높아 실험 환경 변화에 강인한 특성을 나타냈다.

기술적 한계로는 패턴 설계와 디텍터 대역폭이 성능에 큰 영향을 미친다는 점이다. 패턴이 너무 복잡하면 신호 대 잡음비가 감소하고, 디텍터가 충분히 빠르지 않으면 시간 해상도가 떨어져 정보 손실이 발생한다. 따라서 최적의 패턴(예: 바이노멀 분포 기반 랜덤 매트릭스)과 초고속 포토다이오드·ADC 조합이 필수적이다. 향후 연구는 다중 스펙트럼 패턴, 3‑D 흐름 제어, 그리고 온‑칩 머신러닝 가속기와의 통합을 통해 더욱 높은 처리량과 다중 파라미터 분석을 목표로 한다.