编辑推荐：
为解决传统阴道细胞学监测动情周期的局限性，研究人员开展了利用监督目标检测进行动情周期分期的研究。开发的 ODES 模型分类准确率达 80%，与人类及以往模型相当且效率更高，有助于神经精神研究考虑性别差异。
在生命的奇妙旅程中，雌性哺乳动物的动情周期犹如一个神秘的时钟，不仅调控着生殖大事，还与激素的起伏变化紧密相连，这和人类女性的月经周期有着异曲同工之妙。这个周期可不简单，它能作为衡量整体健康的重要生物标志物，在科研领域，尤其是解读研究成果时，发挥着关键作用。然而，传统的监测方法 —— 阴道细胞学，却有着诸多让人头疼的问题。它需要研究人员花费大量时间去学习和训练，而且不同的研究人员得出的结果还可能存在差异，就像不同人对同一幅画的理解不同一样，这给研究工作带来了不少困扰。因此，寻找一种更高效、更可靠的监测方法迫在眉睫。
在这样的背景下，来自美国纽约城市大学麦考利荣誉学院（Macaulay Honors College at The City College of New York/CUNY）、阿尔伯特?爱因斯坦医学院（Albert Einstein College of Medicine）等机构的研究人员挺身而出，开展了一项极具意义的研究。他们致力于开发一种新的方法，来更精准地监测动情周期。最终，他们成功开发出基于目标检测的机器学习模型 ——Object Detection Estrous Staging（ODES）。这一模型在监测动情周期方面表现出色，为相关研究带来了新的曙光。该研究成果发表在《NPP—Digital Psychiatry and Neuroscience》杂志上。
为了实现这一突破，研究人员运用了多种关键技术方法。首先，他们收集了来自多个实验室的小鼠阴道细胞学图像，构建了包含 730 张不同染色图像的数据集，并将其分为训练集、验证集和测试集 。接着，利用在线标注工具对训练集图像进行手动标注，标记出不同细胞类型。然后，选用 YOLOv8 模型，在 Google Colaboratory 环境中利用 GPU 进行训练，同时制定了基于规则的分类系统来确定动情周期阶段。
下面来看看具体的研究结果：
- ODES 细胞分类：在 45 张图像的验证集上分析训练模型的细胞分类能力，结果显示白细胞识别正确率达 93%，角化细胞为 90%，有核细胞为 72% 。不过，由于细胞重叠聚集等问题，部分细胞易被误判为背景，研究人员引入 “生物学不可能标签” 来提醒用户关注低细胞计数图像。
- ODES 阶段分类：使用分类规则和训练权重，对 350 张测试图像进行动情周期阶段分类。结果表明，在不同阶段，ODES 都有较高的准确率，如动情后期（diestrus）准确率达 85%，发情前期（proestrus）为 70%，发情期（estrus）为 92%，发情间期（metestrus）为 74% 。同时发现，不同染色对模型准确率影响不显著，但 Giemsa 染色在发情前期的表现略好。
- 与其他模型比较：将 ODES 与 EstrousNet 和 SECRET 等图像分类模型对比，结果显示 ODES 在各阶段的分类准确率与 EstrousNet 相当，在发情前期和发情期的表现优于 SECRET。与人类专家相比，ODES 不仅准确率高，分类速度更是大幅提升，平均每张图像仅需 1.6 秒，而人类专家则需要 9.7 秒 。
从研究结论和讨论部分来看，ODES 通过识别特定细胞类型并量化其比例，实现了更详细、更具生物学相关性的分析。尽管它在某些方面存在局限性，比如对未染色图像处理效果不佳，处理细胞聚集和低细胞计数情况时也面临挑战，而且模型训练可能受到人为标注偏差的影响。但不可否认的是，ODES 在分类阴道细胞学图像方面展现出了强大的通用性和准确性，能够帮助研究人员快速确定雌性小鼠的动情阶段。这对于需要精确跟踪动情周期的研究意义重大，也有望为女性临床诊断提供更精准的方法。未来，研究人员计划通过扩大数据集，纳入未染色图像和有序图像，以及升级模型架构等方式，进一步提升 ODES 的性能，让这一创新工具在生命科学和健康医学领域发挥更大的作用。
