基于可解释深度学习和DINO自监督模型的荧光显微镜图像转移性癌细胞高通量识别流程开发
《BMC Bioinformatics》:A new explainable AI pipeline for cancer cell segmentation and classification for microscopy images
【字体:
大
中
小
】
时间:2026年10月22日
来源:BMC Bioinformatics 4.4
编辑推荐:
摘要
背景:开发针对癌症的新型治疗方案需要耗费大量的时间和人力,尤其对于罕见的癌症(例如来源于间充质组织的癌症)。此外,这些罕见癌症通常获得的科研关注较少,但仍需进行充分的分析。例如,对组织样本进行可靠的分析,以识别癌症的进展以及细胞对候选疗法的反应,是开发特定治疗和药物的
摘要背景:开发针对癌症的新型治疗方案需要耗费大量的时间和人力,尤其对于罕见的癌症(例如来源于间充质组织的癌症)。此外,这些罕见癌症通常获得的科研关注较少,但仍需进行充分的分析。例如,对组织样本进行可靠的分析,以识别癌症的进展以及细胞对候选疗法的反应,是开发特定治疗和药物的一项重要任务。因此,本研究开发了一种新的可解释深度学习流程,用于从大规模荧光显微镜图像中准确、高通量、自主地识别转移性细胞,该流程可以以低成本和高可靠性来评估细胞反应,并促进治疗方案的开发。结果:该流程包括预训练和领域泛化的分割技术以识别单个细胞,训练最新的自监督Transformer模型——基于DINO的模型以提供正常或转移性分类,并利用可解释人工智能方法生成具有生物学意义的模型解释,以提升模型预测的可信度;这在未来的临床应用中至关重要。与基于监督学习的模型相比,仅训练分类器时,DINO取得了最佳的预测性能(F1加权得分超过97%),并且下游适应能力最为高效。此外,在对整个模型进行微调时,所有基于DINO的模型都能成功分类(DINOv3取得了最高的F1加权得分,达到98.35%)。我们还使用额外的跨放大倍数测试以及自监督/弱监督模型对比来讨论基于DINO的模型的泛化能力和优势。通过热图生成生物准确的模型解释,并通过定量指标和定性评估进行分析;模型决策过程中的重要细胞区域与生物学共识高度一致。我们还证明,所开发的流程可以检测并利用具有生物学意义的细胞骨架特征来进行癌细胞分类,从而促进基于细胞骨架的诊断的发展。结论:我们开发了一种精确、高效且可靠的流程,可以通过AI辅助测试癌细胞对各种治疗和药物的反应,促进有效且个性化的癌症治疗方案的开发。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号