Video Experimental Relacionado
Updated: May 2, 2026
13:26
Visualization and Quantification of Mesenchymal Cell Adipogenic Differentiation Potential with a Lineage Specific Marker
Published on: March 31, 2018
10.0K
El aprendizaje profundo predice las etapas de diferenciación osteogénica de las células madre mesenquimales humanas a
Mizuho Sano1, Yuichi Mine1,2, Shota Okazaki1,2
1Department of Medical Systems Engineering, Graduate School of Biomedical and Health Sciences, Hiroshima University.
Dental materials journal
|September 3, 2025
Resumen
Los modelos de aprendizaje profundo pueden predecir las etapas de diferenciación osteogénica de las células madre mesenquimales (MSC) utilizando solo imágenes de microscopía. Este método no invasivo muestra potencial para monitorear el desarrollo celular.
Área de la Ciencia:
- Biotecnología
- Biología celular
- Inteligencia artificial
Sus antecedentes:
- Las células madre mesenquimales (CEM) son cruciales para la regeneración ósea.
- El seguimiento de la diferenciación osteogénica es vital para las aplicaciones terapéuticas.
- Los métodos actuales para evaluar la diferenciación pueden ser invasivos o consumir mucho tiempo.
Objetivo del estudio:
- Desarrollar y validar modelos de aprendizaje profundo para predecir las etapas de diferenciación osteogénica.
- Evaluar la viabilidad del uso de imágenes de microscopía de contraste de fase para esta predicción.
- Explorar el potencial de la IA en el monitoreo no invasivo de las CSM.
Principales métodos:
- Cultivo de una línea de MSC humana inmortalizada (UE7T-13) en medio osteoinductivo.
- Imágenes obtenidas por microscopía de contraste de fase en varios puntos temporales (D0, D1, D5, D10, D14).
- Modelos de aprendizaje profundo de ResNet-50 y DenseNet-121 entrenados para la clasificación de etapas de diferenciación en varias clases.
Principales resultados:
- Tanto ResNet-50 (0.700) como DenseNet-121 (0.684) lograron una notable precisión general en la predicción de las etapas de diferenciación.
- Las puntuaciones más altas de F1 se observaron en el día 5, lo que indica características morfológicas distintas durante la diferenciación de la etapa media.
- El rendimiento del modelo se evaluó utilizando precisión, sensibilidad y puntuación F1.
Conclusiones:
- Los modelos de aprendizaje profundo pueden predecir con eficacia las etapas de diferenciación osteogénica a partir de imágenes de microscopía de contraste de fase.
- Los cambios morfológicos durante la diferenciación son lo suficientemente distintos para el análisis basado en IA.
- Este enfoque ofrece un método no invasivo prometedor para el monitoreo de la osteogénesis MSC.
