相关实验视频
Updated: Jan 7, 2026

10:40
Single-Cell Resolution Three-Dimensional Imaging of Intact Organoids
Published on: June 5, 2020
17.6K
从显微镜图像中对芯片上的器官质量进行监督学习驱动的询问
Rose Mary George1, Kenry1,2,3
1Department of Pharmacology and Toxicology, R. Ken Coit College of Pharmacy, University of Arizona, Tucson, Arizona 85721, United States.
Chem & bio engineering
|December 31, 2025
概括
监督学习准确地从显微镜图像中评估器官在芯片上的质量. 这种机器学习方法提高了器官芯片开发的自动化,改善了客观质量控制.
科学领域:
- 生物技术是生物技术.
- 机器学习 机器学习
- 细胞生物学 细胞生物学
背景情况:
- 器官芯片模型对于药物发现和疾病建模至关重要.
- 这些复杂的微生理系统的客观质量控制是必不可少的,但具有挑战性.
- 显微镜图像是评估模型质量的主要数据来源.
研究的目的:
- 开发一种高通量,客观的方法,通过监督学习来询问芯片上的器官质量.
- 评估机器学习分类器在肺在芯片模型中区分细胞类型和质量的性能.
- 调查缩小维度对分类器性能和计算效率的影响.
主要方法:
- 在芯片上的肺模型中收集了两种肺细胞类型的600多张显微镜图像.
- 训练有素的监督学习分类器来预测细胞类型和模型质量.
- 应用了缩小维度的技术,以提高分类器的性能和减少计算负载.
主要成果:
- 经过培训的分类人员在细胞类型预测方面达到>95%的AUC,在质量评估方面达到>83%的准确性.
- 降低尺寸性提高了一些分类器的预测能力.
- 资源密集型算法的计算成本大幅降低.
结论:
- 监督学习为自动化器官芯片质量控制提供了强大而客观的方法.
- 机器学习集成,包括缩小维度,可以优化器官芯片技术的开发和实施.
- 预计这种方法将加速机器学习在自动化器官芯片开发中的应用.
更多相关视频
10:40Label-free, High-Resolution 3D Imaging and Machine Learning Analysis of Intestinal Organoids via Low-Coherence Holotomography
Published on: August 12, 2025
1.4K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.6K