通过深度学习对来自微波阵列的无标签时间延迟图像进行胚胎身体的前性评估
Yoshinori Inoue1, Yoshitaka Miyamoto2, Shuya Suda3
1School of Medical Science, Fujita Health University, Toyoake 470-1192, Japan.
Biomedicines
|February 27, 2026
概括
这项研究引入了一个新的AI框架,使用早期成像来预测胚胎体 (EB) 的形成和大小,提高器官工程中的可再生性. 这种非侵入性方法确保了未来临床应用的一致的EB质量.
科学领域:
- 有机器人工程有机器人工程
- 生物技术是生物技术.
- 人工智能在医学中的应用
背景情况:
- 胚胎体 (EB) 对于有机体工程至关重要,但它们的形成和大小会影响分化的结果.
- 目前的方法依赖于追溯质量评估,这阻碍了高通量系统的可重复性.
研究的目的:
- 开发一个前性的,非侵入性的框架,使用明亮场时间延迟成像和3D卷积神经网络 (3D-CNNs).
- 预测微波平台内的EB形成成功和最终直径,以提高质量控制.
主要方法:
- 训练有素的3D-CNN模型在早期阶段的时差图像序列上进行分类和回归任务.
- 利用不足样本进行数据集平衡和五倍交叉验证与数据增强进行性能评估.
主要成果:
- 该分类模型在使用短图像序列预测EB形成时达到96.5%的准确性.
- 回归模型准确地预测了最终的EB直径,平均绝对误差为±7.1μm,捕捉了尺寸变化.
结论:
- 来自明亮场成像的早期聚合动态为准确的,未来的EB质量预测提供了足够的数据.
- 这种无标签的,与自动化兼容的框架提高了大规模EB制造中的可重复性.
- 支持用于临床使用的自适应性闭环有机体培养系统的开发.
