本文针对仅能提供细胞群体统计而非单细胞标签的二维显微镜数据，提出一种群体监督框架。该框架将单张二维红细胞图像映射到潜在的生物物理量，并通过聚合得到平均血细胞体积（MCV）、红细胞分布宽度（RDW）和平均血红蛋白量（MCH）。
模型核心包括：
- 共享局部推断：在所有样本上共享特征提取网络，以捕获局部形态信息；
- 生物物理结构化解码器：解码器的输出被约束为体积和血红蛋白的物理公式，从而保证预测的可解释性；
- 学习实例加权：通过可学习的权重系数对不同图像的贡献进行调节，以适应样本间的异质性；
- 设备特定校准：为每种显微仪器引入校准参数，消除跨设备系统误差。
我们形式化了聚合观测能够唯一确定受限实例预测器的条件，并证明仅靠群体一致性不足以推断单细胞属性或三维几何形状。进一步推导了子集均值匹配导致的离散惩罚，该惩罚在训练目标中显式出现，以抑制预测的方差膨胀。
实验使用了来自六种仪器的 390 份标本、1,105 次采集构成的数据集。相对于 Sysmex 分析仪的参考值，模型在 MCV、RDW、MCH 上的 Pearson 相关系数分别达 0.86–0.98，验证了该方法在无需显式三维重建的前提下，能够从二维图像和群体监督中可靠推断细胞的三维生物物理特性。
点评：该工作展示了利用群体统计信息进行单细胞属性推断的可行路径，创新性地结合了物理约束与深度学习，为显微成像的定量分析提供了新思路。