A CFD-driven supervised learning framework for rapid DLD microfluidic chip optimization in CTC separation

doi:10.1007/s10544-026-00813-1

2026-04-23

PRE

Tanbir Sarowar

Elizabeth Chen

Xiaolin Chen *

DOI：10.1007/s10544-026-00813-1

原文链接

原文求助

摘要

En 中文

循环肿瘤细胞（CTCs）为癌症检测和监测提供关键诊断信息，但其从全血中分离仍因极端稀有而技术挑战巨大。确定性横向位移（DLD）微流控技术提供无标签、基于尺寸的分离，但需精确几何优化，传统上需复杂且计算昂贵的迭代模拟。本文提出一种基于验证计算流体动力学（CFD）模拟数据的计算监督机器学习框架，可加速DLD器件设计，比迭代CFD优化快三个数量级。通过验证的CFD模拟生成了890万粒子轨迹数据点，涵盖896种器件配置，系统变化周期数（N=3–48）和粒子直径（1–14 μm）。四种监督回归算法（梯度提升、k近邻、随机森林和多层感知器）被训练以预测设计参数下的粒子轨迹。随机森林达到最高预测精度（R²=0.958），推理时间为每候选设计89毫秒，支持实时交互式设计探索。模型通过预测粒子轨迹成功捕捉了确定性的Z形到碰撞模式的转变，并准确识别了临界直径范围。该方法显著减少设计优化中对重复CFD模拟的依赖，将设计探索周期从数周压缩至数秒，同时保持与验证模拟一致的精度。该框架提供了一种通用的计算方法，结合基于物理的模拟与监督学习以加速微流控器件设计，为未来临床诊断应用奠定潜在基础。

Keyword:

Circulating tumor cells

Deterministic lateral displacement

Microfluidics

Supervised learning

Computational fluid dynamics

Cancer cell separation