用人工智能建模上皮质伤口关闭动态:跨细胞类型的比较研究.
Xueyao Cai1, Weidong Li1, Wenjun Shi2
1Department of Plastic Surgery, The Third Xiangya Hospital of Central South University, Changsha, Hunan, China.
Regenerative therapy
|October 20, 2025
概括
这项研究引入了一个集成的AI框架,用于精确的伤口愈合分析. 随机森林模型准确量化了不同细胞类型的愈合动态,显示了临床应用的潜力.
科学领域:
- 计算生物学是一种计算生物学.
- 生物医学工程 生物医学工程
- 医学中的人工智能
背景情况:
- 皮肤伤口愈合是复杂而异质的,挑战了传统的静态评估.
- 当前的人工智能方法通常将细分和时间建模分开,限制了愈合的动态量化.
- 不同的细胞类型表现出独特的愈合轨迹,需要专门的分析.
研究的目的:
- 开发一个综合的人工智能框架,用于量化体外伤口关闭动态.
- 将增强的细分与时间建模相结合,用于分析正常 (MCF10A) 和瘤 (MCF7) 细胞.
- 为了在不同细胞类型特定的治疗表型中比较算法性能.
主要方法:
- 实施了一个增强的UNet++模型,用于在时差图像中对伤口进行细分.
- 使用随机森林 (RF),时间卷积网络 (TCN) 和其他回归模型建模时间关闭轨迹.
- 使用Dice/IoU和使用平均绝对误差 (MAE) 和R平方 (R2) 的时间建模来评估细分精度.
主要成果:
- 在细分精度方面,UNet++显著超过了Otsu的值 (p < 10^-47).
- 随机森林 (RF) 在模拟MCF7和MCF10A细胞的关闭轨迹方面表现出卓越的准确性.
- 射频有效地捕捉了非线性过渡和平原行为,观察到显著的细胞类型差异.
结论:
- 集成的AI框架使精确的动态伤口监测成为可能.
- 这种方法在慢性管理和瘤边缘监测方面具有临床潜力.
- 该框架成功地识别了特定于细胞类型的治疗表型,以便进行量身定制的分析.
