系统评估用于细胞细分的计算方法
Rongrong Yang1, Guangfu Xue1, Zuxiang Wang2
1Center for Bioinformatics, School of Life Science and Technology, Harbin Institute of Technology, 92 Xidazhi Street, Nangang District, Harbin 150001, Heilongjiang Province, China.
Briefings in bioinformatics
|February 24, 2026
概括
深度学习显著改善了细胞细分,特别是在结合图像和测序数据时. 我们的框架根据任务和数据类型对方法进行分类,提供全面的性能基准.
科学领域:
- 计算生物学 计算生物学
- 生物成像分析分析
- 机器学习在生命科学中的应用
背景情况:
- 细胞细分对于理解细胞生物学,疾病机制和诊断至关重要.
- 现有的评论根据技术进化对方法进行分类,并没有完全捕捉到深度学习的影响.
- 当前的评估往往忽视了多式联运数据改善细分的潜力.
研究的目的:
- 为基于深度学习的细胞细分方法提出一个二维分类框架.
- 系统地审查和分类基于任务 (语义/实例) 和数据 (单一/多模式) 的方法.
- 建立一个基准来评估使用各种数据集和模式的细分算法.
主要方法:
- 开发了一个双维分类框架:以任务为导向和以数据为导向.
- 进行了深度学习细分方法的系统审查和分类.
- 使用五个数据集 (显微镜和集成测序成像数据) 创建了一个基准测试.
- 对七个算法进行了有效性,稳定性和效率的评估.
主要成果:
- 深度学习模型通常优于传统的细胞细分算法.
- 深度学习的性能优势通过多式联网数据得到了放大,特别是集成测序信息.
- 拟议的框架为理解和评估细胞细分技术提供了一个结构化的方法.
结论:
- 深度学习,特别是多式联网数据集成,代表了细胞细分的重大进步.
- 双维分类和基准为方法选择和开发提供了宝贵的见解.
- 未来的研究应该利用多模式数据来提高细胞分析的准确性和稳定性.
