通过无偏见的学习策略在全息流细胞计中进行无标签细胞分类
Gioele Ciaparrone1, Daniele Pirone2, Pierpaolo Fiore1
1Neurone Lab, Department of Management and Innovation Systems (DISA-MIS), University of Salerno, Fisciano, Italy. robtag@unisa.it.
Lab on a chip
|January 24, 2024
概括
这项研究引入了一种新的深度学习方法,用于使用数字全息显微镜进行无标签细胞分类. 该方法克服了数据偏差,使得能够准确地识别耐药癌细胞,用于即时诊断.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 光学成像技术的成像
背景情况:
- 无标签成像流细胞计对于诊断和生命科学中单细胞分析至关重要.
- 数字全息显微镜为丰富的样本信息提供多重聚焦和定量相位成像.
- 深度学习增强了细胞分类,但由于数据偏差而面临泛化挑战.
研究的目的:
- 开发一个强大的深度学习框架,使用数字全息显微镜进行无标签细胞分类.
- 为了克服全息成像设置中的数据偏差,以改进模型概括.
- 为了准确地分类耐药的子宫内膜癌细胞.
主要方法:
- 一个面具R-CNN模型用于细胞检测.
- 一个卷积式自动编码器用于无标签的特征提取,减轻实验偏差.
- 一个feedforward神经网络用于基于提取的特征的单细胞分类.
主要成果:
- 拟议的混合深度学习模型成功地使用无标签全息成像对细胞进行分类.
- 该方法证明了从未标记的数据中有效地提取特征,克服了实验设置偏见.
- 在一项具有挑战性的分类任务中,精确识别了耐药性子宫内膜癌细胞.
结论:
- 集成的深度学习框架提高了数字全息显微镜中无标签细胞分类的可靠性.
- 这种方法为开发通用,对偏差有弹性的诊断工具铺平了道路.
- 该方法在临床诊断和医疗保健中推进单细胞分析方面具有重大潜力.
