细胞Apop:一个以知识为导向的脱蒸框架,用于在明亮场显微镜中进行标签效率高的细胞分裂和动态分析

科学领域:

• 生物技术是生物技术.
• 细胞生物学 细胞生物学
• 人工智能的人工智能

背景情况:

• 传统的亡检测依赖于劳动密集型,潜在的细胞毒性光染色.
• 现有的方法不适合实时监测细胞过程.

研究的目的:

• 用明亮场显微镜开发一种无标签的,动态的检测框架来检测亡细胞.
• 创建基于细分的深度学习 (DL) 模型,以有效和准确地识别亡.

主要方法:

• 一个以知识为导向的脱蒸 (KDD) 框架训练了一个轻量级的DL网络 (CellApop) 在16472个明亮场细胞图像上.
• CellApop 集成了先进的模块,在具有挑战性的条件下提高了细分精度.
• 通过使用子相似系数,豪斯多夫距离和交叉点对联盟的交叉点来验证性能.

主要成果:

• 细胞Apop实现了高的子得分 (0.843一般,0.754细胞) 与减少复杂性和延迟.
• 在专有数据集上,KDD策略减少了80%的手动标签.
• 自动化亡率与地面真相和专家评估有很高的一致性.

结论:

• 细胞Apop提供准确,高效,无标签的分离的细胞,否定了光染色的必要性.
• 该框架对于自动化亡量化和药物反应评估具有稳定性和可扩展性.
• 这种DL方法为细胞生物学中的常规实验工作流提供了一个有希望的工具.