芯片提供生物反应，AI 处理不同类型的资料
中国中医科学院（China Academy of Chinese Medical Sciences）等机构研究者在 Theranostics 综述器官芯片与人工智能（artificial intelligence，AI）的结合。文章将图像分析、连续传感和实验控制分别讨论，再联系药物筛选与安全评价。
芯片持续产生细胞形态、运动和功能资料。综述列举的 OrganoPlate 采用 384 孔板形式，内含 40 个微流道结构；一项 357 条肠管的药物屏障测试产生超过 20000 个数据点。机器学习可承担图像分割、分类和轨迹提取，自动化则负责装置操作与数据获取。
多器官平台还要同时解释药物分布和代谢。综述列举肠肝肾连接中的尼古丁，以及骨髓肝肾连接中的顺铂研究，用于说明体外结果怎样与药代药效模型组合。
肿瘤球图像可以用于药物活力评价
一个被引微流控平台容纳最多 1920 个肿瘤球，通过自动图像获取和分析评价化疗反应。卷积神经网络（convolutional neural network，CNN）从明场图像估计活力，减少对每个球体另行标记的依赖。
该案例测试多柔比星、奥沙利铂和伊立替康，并在部分药物训练网络之间进行交叉比较。综述据此讨论用代表性药物建立影像分析模型的可能性，具体迁移仍取决于形态和药物作用是否相近。
另一类方法从时间序列跟踪细胞运动。综述报告一个芯片细胞轨迹分类的平均准确率约为 91.5%；任务是识别运动行为相关类别，指标与肿瘤球活力预测分别对应。
胶质母细胞瘤芯片也使用 CNN 提取荧光图像中的细胞行为，再与计算模型结合预测肿瘤变化。芯片实验、图像特征和肿瘤模型在这一例子中承担不同环节。
不同组织和指标需要各自的分析模型
皮肤多细胞共培养芯片与支持向量机（support vector machine）结合，用于分类药物不良皮肤反应。综述报告该案例准确率 87.5%、特异性 75%、敏感性 100%，这些数字属于被引研究的分类任务。
血管网络图像分析则可以提取多项血管生成特征。综述还列举给药前后图像用于识别破坏血管网络的候选物，使血管形态变化成为可自动比较的药物反应。
骨芯片的图像分割用于骨质疏松药物研究，但所述案例采用小鼠来源细胞。作者将人源模型作为后续方向；算法能分析图像与模型是否反映人体生物学是两项分别需要评价的问题。
肿瘤与免疫细胞相互作用也可从时间序列中跟踪。综述列举的 CellHunter 方法识别细胞轨迹及相互接触，提供间质与免疫成分怎样参与药物反应的动态资料。
连续测量为实验条件调整提供反馈
除显微图像外，电化学传感可连续记录营养物、代谢物、蛋白、酸碱度、氧水平或电阻。把这些时间资料用于控制时，需要明确哪项信号决定哪项装置调整。
一个被引微流控研究用强化学习根据影像反馈调节流动，使长时间运行的流量条件更稳定。另一些研究从血管形态预测氧输送能力，尝试将结构指标与功能联系。
液体操作机器人还可承担培养、灌流、补液、器官连接、取样和显微成像。综述列举最多 10 个器官模块的自动化平台，以及对患者类器官施加动态多药处理的可编程装置。
这些自动化案例有助于稳定操作和取得重复资料，AI 决策仍需对应清楚的测量任务。文章将现有后处理分析与未来更全面的自动控制分开，指出真正结合 AI 的芯片研究当时仍较少。
细胞来源、材料和数据质量共同影响结果
模型中的细胞来源会影响重复性和组织功能。细胞系容易扩增，原代细胞寿命有限，诱导多能干细胞（induced pluripotent stem cells，iPSC）来源组织则可能存在成熟程度与纯度不足；更复杂的培养也不自动适合所有筛选阶段。
算法也可参与制造质量检查。综述列举计算机视觉辅助校准微流控设计，并将打印缺陷识别、尺寸准确性与材料性质预测列为可处理的任务；这些硬件问题与生物图像分类分别评价。
聚二甲基硅氧烷（polydimethylsiloxane，PDMS）等芯片材料可能吸附或吸收部分药物，造成实际暴露偏离加入量。综述建议针对具体装置表征这一过程，并讨论替代材料和涂层，以确认药物在装置内的浓度变化。
训练、验证和测试资料的选择影响算法准确性。设备、细胞来源和图像处理方式构成模型的数据条件，重复性与可解释性也是综述提出的评价问题。
这篇综述的实质是将具体药物评价任务与相应数据工具配对：图像用于活力和行为，传感用于连续功能，自动化用于稳定操作。更多模型和产业采用仍需要开发者、使用者及评价机构共同确定用途和证据。