以人工智能 (AI) 为驱动的斑马鱼幼虫的形态评估,用于发育毒性化学查

科学领域:

• 毒理学 毒理学 毒理学
• 发展生物学 发展生物学
• 人工智能的人工智能

背景情况:

• 斑马鱼胚胎测定对于发育性毒性查至关重要,但依赖于主观,耗时的视觉评估.
• 经验丰富的选人员手动评估图像中的幼虫形态变化,导致潜在的不一致性.

研究的目的:

• 开发和验证深度学习模型,以客观和有效的基于图像的评估斑马鱼胚胎发育毒性.
• 通过加强毒理学评估,支持对斑马鱼在毒理学中的应用进行系统评估 (SEAZIT) 项目.

主要方法:

• 训练深度学习分类模型以检测20个不同的幼虫形态变化,使用标记SEAZIT图像数据.
• 开发了细分模型,以识别和测量特定的感兴趣的幼虫区域.
• 使用多视图卷积神经网络 (MVCNN) 进行基线二进制分类任务.

主要成果:

• 在区分正常和异常胚胎方面,MVCNN获得了0.88的F1得分.
• 八个特定的形态变化分类器超过了F1得分的0.70.
• 细分模型在11个感兴趣的地区中,在9个地区实现了至少0.80的交叉与欧盟 (IoU) 积分.

结论:

• 深度学习模型提供了对斑马鱼幼虫形态的快速,标准化和可靠的评估.
• 这些人工智能工具减少了主观性,并提高了发育毒性查中的可重现性.
• 开发的模型为斑马鱼在毒理评估中的常规使用提供了科学基础.