以形态学为基础的深度学习方法用于预测人类介质干细胞 (hMSCs) 的基和骨基分化

科学领域:

• 干细胞生物学 干细胞生物学
• 再生医学是一种再生医学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 人类介质干细胞 (hMSCs) 对于再生医学至关重要,因为它们具有多功效.
• 评估hMSC分化的传统方法耗时,昂贵,需要细胞固定,失去时间数据.
• 需要有效,精确的方法来预测活细胞中的hMSC分化.

研究的目的:

• 开发和评估深度学习方法来预测hMSC骨质和脂肪分化.
• 为了比较四个预训练的卷积神经网络 (CNN) 模型 (VGG 19,Inception V3,ResNet 18,ResNet 50) 的性能.
• 建立一个活细胞成像和基于CNN的系统来预测干细胞命运.

主要方法:

• 活细胞成像与深度学习相结合,特别是CNNs,以分类hMSC分化.
• 四个预先训练的CNN模型 (VGG 19,Inception V3,ResNet 18,ResNet 50) 进行了测试.
• 模型的性能被评估使用准确度,AUC,灵敏度,精度和F1分数对二进制和多类分类在不同时间点的分类.

主要成果:

• ResNet 50模型表现出卓越的性能,实现了最高的精度 (0.9572二进制,0.9474多类) 和AUC (0.9958二进制,0.9836多类).
• 在AUC方面,ResNet 50始终优于其他模型,包括VGG 19,这表明差异化识别更好.
• 美国有线电视新闻网 (CNN) 的方法成功地根据活细胞的形态变化预测了干细胞的命运.

结论:

• 卷积神经网络,特别是ResNet 50,为预测hMSC差异化提供了有效和高效的方法.
• 这种方法克服了传统方法的局限性,允许活细胞分析和保存时间数据.
• 开发的方法对推进基于细胞的疗法和理解再生医学具有重大潜力.