一个深度学习管道用于3D癌细胞球形体的形态和可行性评估

科学领域:

• 在瘤学瘤学.
• 生物技术是生物技术.
• 人工智能在医学中的应用

背景情况:

• 三维 (3D) 球形模型提供了一个比二维培养更现实的瘤微环境.
• 目前对球形形态和细胞活力的高通量分析面临手工方法 (劳动密集,不一致) 和人工智能 (孤立方法) 的挑战.

研究的目的:

• 开发一个可扩展的,集成的深度学习管道,用于自动分析3D球体.
• 克服高通量形态表征和细胞活力量化方面的局限性.

主要方法:

• 开发了一个两阶段的深度学习管道.
• 阶段1:U-Net模型用于从显微镜图像中精确的3D球体细分.
• 第二阶段:CNN回归混合方法用于估计活/死细胞百分比和球状分类.

主要成果:

• 在U-Net模型中,球体细分的预测准确度达到95%.
• 通过CNN回归混合方法,细胞活力估计和分类的R平方值达到了98%.
• 该管道成功自动化了细胞活力量化,并生成了关键的形态参数.

结论:

• 拟议的端到端深度学习管道为3D球形状评估提供了强大的和可扩展的解决方案.
• 这种方法提高了药物发现,毒性查和癌症研究的效率和准确性.
• 它解决了环境变化和形态特征挑战,推动了癌症疗法开发.