相关实验视频
Updated: Jul 17, 2026
12:06
Analyzing Mitochondrial Morphology Through Simulation Supervised Learning
Published on: March 3, 2023
线粒体的超结构形态测量:传统操作者依赖和人工智能 (AI) 操作的机器学习方法之间的比较
Daniele Nosi1, Daniele Guasti1, Alessia Tani1
1Imaging Platform, Dept. Experimental & Clinical Medicine, University of Florence, Florence, Italy.
Microscopy research and technique
|March 29, 2025
概括
传输电子显微镜 (TEM) 的机器学习 (ML) 自动形态测量缺乏准确性. 当前的ML协议难以识别超结构细节,与手动分析相比,产生不可靠的线粒体形态学数据.
科学领域:
- 细胞生物学 细胞生物学
- 显微镜的使用方法
- 人工智能的人工智能
背景情况:
- 形态测量分析为科学研究提供客观数据.
- 人工智能 (AI) 和机器学习 (ML) 实现了自动化形态测量.
- 调整人工智能用于传输电子显微镜 (TEM) 形态测量是具有挑战性的,因为复杂的超结构细节.
研究的目的:
- 评估基于ML的线粒体形态测量与使用TEM图像进行手动分析的准确性.
- 为了比较线粒体晶状体表面积比率 (C/A比率) 的自动化和手动方法的定量结果.
主要方法:
- 在TEM显微镜 (×50,000放大) 上,ML自动化和手动形态测量分析的比较.
- 对不同能量代谢的培养细胞 (n=26) 的分析.
- 计算线粒体晶状体表面积比率 (C/A比率) 作为线粒体功能的度量.
主要成果:
- 在ML自动化和手动形态测量方法之间没有发现统计学意义上的相关性.
- 基于ML的数据显示了比手工测量更大的变化 (分散).
- 目前的ML协议无法可靠地区分微妙的超结构细节,这些细节对于准确的TEM形态学至关重要.
结论:
- 基于ML的自动形态测量目前对基于TEM的线粒体分析不够准确.
- 专家人类的解释对于识别和分析TEM图像中复杂的细胞超结构至关重要.
- 需要进一步开发ML算法,以提高专业显微镜应用中的精度.
