使用预训练的卷积神经网络和通道修剪算法对hiPSC对心肌细胞的差异化的非侵入性评估

科学领域:

• 干细胞生物学 干细胞生物学
• 心血管研究的心血管研究.
• 医学中的人工智能

背景情况:

• 人类诱导的多能干细胞衍生心肌细胞 (hiPSC-CMs) 对于心脏组织工程和药物查至关重要.
• 监测hiPSC-CM差异化是必不可少的,但往往是侵入性的.
• 开发非侵入性监测方法是该领域的一个关键挑战.

研究的目的:

• 探索使用卷积神经网络 (CNN) 监测hiPSC-CM差异化的非侵入性方法.
• 为了确定最佳的CNN模型,准确地分类差异化阶段.
• 开发一个自动化应用程序来评估心肌分化状态.

主要方法:

• 将hiPSC分化为心肌细胞,并通过定量实时聚合酶链反应 (qRT-PCR) 进行分析.
• 为了创建一个数据集,捕获了分化细胞的明亮场图像.
• 评估了6个预先训练的CNN模型 (AlexNet,GoogleNet,ResNet 18,ResNet 50,DenseNet 121,VGG 19-BN) 进行了评估. 这些模型包括:
• 性能最好的模型 (VGG 19-BN) 进行了修剪,以减少参数,同时保持精度.

主要成果:

• VGG 19-BN模型表现出卓越的性能,达到99.2%的准确性,回忆,精度和F1得分,以及99.8%的特异性.
• 模型修剪显著降低了参数,而不会影响高精度.
• 通过使用修剪的VGG 19-BN模型,成功开发了一个自动化应用程序.

结论:

• 卷积神经网络,特别是VGG 19-BN,为监测hiPSC-CM差异化提供了一个高度准确和非侵入性的方法.
• 开发的自动化应用程序有助于实时评估心脏细胞分化状态.
• 这种由人工智能驱动的方法具有显著的潜力,可以简化再生心脏病学和药物发现领域的研究和开发.