一个高分辨率数据集用于人工智能驱动的细分和分析药物治疗的乳腺瘤球体
Amir Tahmasbi1, Akram Ahvaraki2, Ebrahim Behroodi3
1Department of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran.
Computer methods and programs in biomedicine
|November 9, 2025
概括
这项研究引入了一个新的数据集,用于对3D乳腺瘤球体的AI驱动分析,从而在癌症研究中精确量化药物反应.
科学领域:
- 生物医学成像学 生物医学成像学
- 人工智能在瘤学中的应用
- 3D细胞培养模型
背景情况:
- 三维 (3D) 瘤球体对于临床前药物查至关重要,在体内模拟瘤微环境.
- 在这些模型中,高通量分析和药物反应量化仍然具有挑战性.
- 需要先进的计算工具来分析复杂的球形数据.
研究的目的:
- 引入一个高分辨率,公开可用的数据集,用于人工智能驱动的细分和分析药物治疗的乳腺瘤球体.
- 促进开发用于评估药物疗效的计算模型.
- 为了支持人工智能辅助癌症研究的进步.
主要方法:
- 异型乳腺瘤球体 (MDA-MB-231细胞和纤维细胞) 被培养并用脂质体 doxorubicin 治疗.
- 高分辨率显微镜图像在八天内获得,并处理成更小的.
- 该数据集用于评估深度学习细分模型,包括DeepLab,U-Net,FCN,Mask R-CNN和YOLOv12-Seg.
- 用统计和机器学习技术提取和分析了形态特征.
主要成果:
- 深度实验室展示了最高的细分精度 (贾卡德指数为91.17%).
- 关键的形态特征显示了对照和治疗球体之间的统计学上显著差异 (p < 0.05).
- 一个支持向量机分类器在根据减少的特征区分处理组时实现了96%的准确性.
结论:
- HTS-Seg数据集为开发和验证生物医学图像分析中的AI模型提供了宝贵的资源.
- 这种资源可以在3D瘤球形模型上更准确地进行体外药物效应的评估.
- 该研究通过改进复杂的3D细胞培养数据的分析来推进人工智能辅助的癌症研究.
