使用多尺度注意力残留卷积神经网络识别与编程细胞死亡相关的化学-生物相互作用的先进概念
Igor V Pantic1, Jovana Paunovic Pantic2
1University of Belgrade, Faculty of Medicine, Department of Medical Physiology, Visegradska 26/II, 11129, Belgrade, Serbia; University of Haifa, 199 Abba Hushi Blvd, Mount Carmel, Haifa IL, 3498838, Israel; Ben-Gurion University of the Negev, Faculty of Health Sciences, Department of Physiology and Cell Biology, 84105, Be'er Sheva, Israel.
Computers in biology and medicine
|October 9, 2025
概括
这项研究引入了一种新的多尺度注意力残留卷积神经网络 (MSA-RCNN),用于使用核纹理早期检测亡. 人工智能模型分析染色质模式,以提高细胞生物学研究的准确性.
科学领域:
- 细胞生物学 细胞生物学
- 生物技术是生物技术.
- 计算生物学 计算生物学
背景情况:
- 早期检测亡是至关重要的,但使用传统显微镜和机器学习具有挑战性.
- 传统模型在核架构中难以处理复杂的空间关系.
- 染色微图中的微妙的核纹理变化是早期亡的关键指标.
研究的目的:
- 引入一种新的多尺度注意力残留卷积神经网络 (MSA-RCNN) 来增强亡检测.
- 为了利用核染色体模式和纹理特征来识别早期的亡变化.
- 探索AI在改善研究和临床应用中亡检测方面的潜力.
主要方法:
- 开发了一种新的多尺度注意力残留卷积神经网络 (MSA-RCNN).
- 作为输入特征,使用了来自灰级透矩阵 (GLEM),运行长度矩阵 (RLM) 和离散里埃转换 (DFT) 的量化器.
- 专注于特定的参数:RLM短跑重点,RLM长跑重点,GLEM,和DFT大小频谱平均值.
主要成果:
- MSA-RCNN从核染色体模式中学习歧视性特征,这表明了早期的亡.
- 该模型有效地利用GLEM,RLM和DFT定量器来检测亡.
- 在细胞生物学中展示了一种基于人工智能的传感系统的新方法.
结论:
- 拟议的MSA-RCNN显示了准确的早期亡检测的希望.
- 这种人工智能方法在捕捉复杂的核特征方面比传统的机器学习方法具有优势.
- 未来的工作将通过可解释性分析和各种数据集验证来解决模型解释性和概括性.
