推进基于水凝的3D细胞培养系统:组织学图像分析和人工智能驱动的丝特性

科学领域:

• 生物材料科学 生物材料科学
• 材料工程 材料工程 材料工程
• 人工智能的人工智能

背景情况:

• 机器学习通过训练算法来识别模式来分析图像,具有广泛的应用,包括医学和自动化.
• 组织学截面揭示了对显微镜分析至关重要的组织层.
• 人工智能 (AI) 提供了解释复杂的生物和物质结构的潜力.

研究的目的:

• 利用谷歌的Teachable Machine平台,应用人工智能来解释水凝丝的组织学截面图像.
• 评估人工智能的有效性,以区分水凝丝结构的不同状态.

主要方法:

• 使用不同比例的酸盐和凝聚合物与交联剂制造3D水凝丝.
• 细丝经受到了伸展,直到使用延伸计破裂.
• 拉伸和不拉伸的细丝的截面被准备好,染色 (血素和),并通过可教机器对人工智能训练和预测进行成像.

主要成果:

• 收集和编目了600多张组织学横截图图像.
• 人工智能模型成功地区分了拉伸和不拉伸的水凝丝图像.
• 虽然对状态差异化有效,但AI在区分不同水凝配方之间的微妙变化方面表现出一些局限性.

结论:

• 通过Teachable Machine实现的AI驱动的图像预测工具,证明了对将水凝丝分类为拉伸或不拉伸的有效性.
• 这种方法证明了人工智能驱动的生物聚合物凝组织学分析的可行策略.