通过连接体启发的可解释模型和一个新的LIVECell-CLS数据集,推进无标签细胞分类

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 人工智能的人工智能

背景情况:

• 无标签细胞成像对于医疗应用至关重要,避免破坏性染色.
• 准确的细胞分析模型需要广泛的,高质量的数据集.
• 现有的数据集可能不足以训练可靠的无标签细胞分类模型.

研究的目的:

• 介绍LIVECell-CLS,这是对无标签细胞分类的最大基准数据集.
• 在此数据集上比较各种深度学习架构的性能.
• 调查Tensor网络变体和可解释AI用于细胞分类的有效性.

主要方法:

• 构建了LIVECell-CLS,使用来自LIVECell细分数据集的8个细胞系的160多万张图像.
• 评估了16个基线深度学习模型 (CNNs,ViTs,MLP-Mixers) 并提出了Tensor网络变体.
• 应用可解释AI技术和UMAP可视化用于特征分析.

主要成果:

• 具有局部感应偏差 (CNN,Swin-Transformers) 的模型优于基于补丁的模型 (ViTs,MLP-Mixers).
• Tensor Network 变体在整个架构上持续改善了分类性能,达到高达 4% 的精度增长.
• 最好的模型,Elegans-EfficientNetV2-M,达到90.35%的测试准确率和94.82%的F1分数.

结论:

• LIVECell-CLS是推动无标签细胞分类研究的宝贵资源.
• 局部偏差模型和Tensor网络增强提供了更好的性能.
• 可解释的人工智能分析证实,精度增长与增强的特征分离性相关.