深度学习可以从相对照显微镜图像中预测人体介质干细胞的骨质分化阶段
Mizuho Sano1, Yuichi Mine1,2, Shota Okazaki1,2
1Department of Medical Systems Engineering, Graduate School of Biomedical and Health Sciences, Hiroshima University.
Dental materials journal
|September 3, 2025
概括
深度学习模型可以仅使用显微镜图像预测介质干细胞 (MSC) 的骨质分化阶段. 这种非侵入性方法显示出监测细胞发育的潜力.
科学领域:
- 生物技术
- 细胞生物学
- 人工智能
背景情况:
- 骨干细胞对于骨再生至关重要.
- 监测骨质分化对于治疗应用至关重要.
- 目前评估差异化的方法可能是侵入性的或耗时的.
研究的目的:
- 开发和验证用于预测骨质分化的深度学习模型.
- 评估使用相对照显微镜图像的可行性.
- 探索人工智能在非侵入性监测MSC方面的潜力.
主要方法:
- 在骨质诱导介质中培养出一个永生的人类MSC线 (UE7T-13).
- 在多个时间点 (D0,D1,D5,D10,D14) 获得的相对照显微镜图像.
- 训练了ResNet-50和DenseNet-121深度学习模型,用于分化阶段的多类分类.
主要成果:
- 在预测分化阶段中,ResNet-50 (0.700) 和DenseNet-121 (0.684) 均取得了显著的整体准确性.
- 在第5天观察到最高的F1分数,表明在中期分化过程中存在明显的形态特征.
- 使用精度,灵敏度和F1分数来评估模型的性能.
结论:
- 深度学习模型可以有效地从相对照显微镜图像中预测骨质分化阶段.
- 在分化过程中的形态变化对于基于AI的分析来说足够明显.
- 这种方法为监测MSC骨质生成提供了一个有前途的非侵入性方法.


