PPSW-SHAP:使用基于树的SHAP图像分解和恢复进行可解释的细胞分类,用于高通量明亮场成像

科学领域:

• 生物技术是生物技术.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 高通量显微镜对于细胞治疗 (CT) 制造中的细胞分析至关重要.
• 显微镜中的图像噪声和文物可以导致不准确的AI模型发现.
• 当前的人工智能模型在没有广泛的训练数据的情况下与噪音作斗争.

研究的目的:

• 开发一种可靠的方法来降低用于CT制造的显微镜图像中的噪声.
• 创建一个可解释的机器学习 (ML) 平台,以提高最终用户的理解.
• 为了提高CT制造中细胞表征的精度.

主要方法:

• 实现了一个周期性加光滑波段 (PPSW) 变换,用于图像噪声分解和恢复.
• 开发了一个可解释的ML平台,使用基于树的Shapley添加式扩展 (SHAP).
• 应用监督聚类与平均SHAP值在分解的人类介质干细胞 (MSC) 的明亮场图像上.

主要成果:

• 该PPSW有效地将减少的系统噪声转化为显微镜图像.
• 基于SHAP的ML平台为AI模型提供了端到端的解释性.
• 在各种培养条件下,MSCs在细胞表征中获得了更高的精度.

结论:

• 结合降噪和可解释的ML方法,提高了CT制造中的AI性能.
• 这种框架通过在预处理过程中处理文物来降低AI的学习负载.
• 该研究表明,对CT生产的可靠和可理解的细胞分析取得了重大进展.