深度学习用于预测球状体活力:用于自动化质量控制的新型卷积神经网络模型,用于三维生物打印
Zyva A Sheikh1, Oliver Clarke1, Amatullah Mir1
1Section of Cardiac Surgery, Department of Surgery, University of Chicago, 5841 S. Maryland Ave., Chicago, IL 60637, USA.
Bioengineering (Basel, Switzerland)
|January 24, 2025
概括
一个新的深度学习模型从图像中准确地预测球形可行性,克服了传统分析的局限性. 这加速了用于心血管疾病治疗的生物打印组织的开发.
科学领域:
- 生物技术是生物技术.
- 组织工程是组织工程.
- 人工智能的人工智能
背景情况:
- 球体对于3D生物打印组织贴片至关重要,但当球体大于500微米时,可以产生缺氧核和亡.
- 准确的球状体活力评估对于制造高活力组织贴片至关重要.
- 目前的可行性测试通常是耗时的,劳动密集的,需要专业知识,并且容易产生人类偏见.
研究的目的:
- 开发一个卷积神经网络 (CNN) 模型,以使用相对比成像来有效和准确地预测球状体的生存能力.
- 建立一个全面的数据集的小鼠介质干细胞 (mMSC) 球体与相应的活力百分比.
- 为了自动化分类球形生命力的预定义类别.
主要方法:
- 创建了一个mMSC球体的数据集,其尺寸和可行性各不相同 (通过CCK-8测试确定).
- 一个CNN模型使用这个数据集进行了训练和验证.
- 该模型旨在将球形生命力分为四个范围:0-20%,20-40%,40-70%,70-100%.
主要成果:
- 在CNN模型的预测中,该模型在预测球形状的可行性方面达到92%的平均准确率.
- 该模型在训练和验证期间显示了0.2以下的持续损失.
- 该模型成功地将球体分类到定义的可行性类别中.
结论:
- 开发的深度学习模型提供了一种非侵入性,高效和准确的方法来评估球形质量.
- 这种方法简化了球形质量控制,加速了生物工程心脏组织贴片的开发.
- 该模型具有通过改进的组织工程来推进心血管疾病治疗的巨大潜力.
