使用YOLOv5物体检测的细胞遗传学生物测量中自动化细胞动能阻断微核测定分析的可行性研究
Yohei Fujishima1, Valerie Swee Ting Goh2, Donovan Anderson1,3
1Department of Risk Analysis and Biodosimetry, Institute of Radiation Emergency Medicine, Hirosaki University, Hirosaki, Japan.
International journal of radiation biology
|December 4, 2025
概括
使用YOLOv5的深度学习显示了在辐射生物对称学中快速检测微核 (MN) 的前景. 这种人工智能方法可以通过比手工方法更有效地分析染色体损伤来加速紧急情况的分拣.
科学领域:
- 辐射生物学 辐射生物学
- 细胞遗传学 细胞遗传学
- 人工智能的人工智能
背景情况:
- 准确的辐射剂量估计对于紧急医疗和大规模事故事件分类至关重要.
- 细胞遗传生物测量虽然对分类有用,但受到耗时的细胞培养和染色体异常专家分析的限制.
- 微核 (MN) 是生物对比学中使用的染色体损伤的关键指标.
研究的目的:
- 应用基于深度学习的对象检测,特别是YOLOv5框架,用于微核 (MN) 的自动化分析.
- 评估深度学习模型在检测MN和分析核分裂指数 (NDI) 的性能,以估计辐射剂量.
- 将深度学习衍生的剂量反应曲线与已建立的手动评分方法进行比较.
主要方法:
- 来自健康志愿者的外周血液样本在0,2和3 Gy时被辐射.
- 细胞被培养和处理以促进核分裂指数 (NDI) 和微核 (MNs) 的分析.
- 整张幻灯片图像使用YOLOv5进行了分析,用于对MN和NDI相关细胞类型的对象检测.
主要成果:
- 使用YOLOv5的深度学习对象检测证明了MNs和NDI的良好分类性能.
- 由人工智能模型生成的剂量反应曲线与通过手动评分获得的曲线相似.
- 这项研究表明,通过数据增强来改善模型的潜力,特别是有限的训练数据.
结论:
- 深度学习技术,特别是YOLOv5,为快速准确地检测MN和NDI提供了可行和有前途的方法.
- 这种人工智能驱动的方法有可能显著提高细胞遗传生物对称的速度和可靠性.
- 使用人工智能对染色体损伤的自动分析可以简化辐射紧急情况的分类.
