高分辨率数据集驱动AI分割分析药物治疗三维乳腺肿瘤球体

《Computer Methods and Programs in Biomedicine》：A High-Resolution Dataset for AI-Driven Segmentation and Analysis of Drug-Treated Breast Tumor Spheroids

本研究针对三维肿瘤球体在高通量药物筛选中量化分析困难的瓶颈，开发了首个针对经多柔比星脂质体处理的异型乳腺肿瘤球体的高分辨率图像数据集HTS-Seg。通过微流控技术培养MDA-MB-231与成纤维细胞共培养球体，获得2,980张标注图像，采用DeepLab等模型实现91.17%的Jaccard分割精度，并结合支持向量机分类达到96%的组间区分准确率。该数据集为AI辅助抗癌药物评价提供了重要资源。

　　

在抗癌药物研发领域，二维细胞培养模型因其无法模拟真实肿瘤微环境而备受局限。三维肿瘤球体模型虽能更好地复制体内肿瘤的复杂性，但其高通量分析——尤其是对药物反应的精准量化——始终是制约转化医学发展的技术瓶颈。传统显微镜成像虽能捕获海量数据，但如何从这些图像中自动提取有价值的信息，成为摆在研究人员面前的难题。

正是为了突破这一困境，由Amir Tahmasbi和Akram Ahvaraki领衔的研究团队在《Computer Methods and Programs in Biomedicine》上发表了开创性研究。他们首次构建了专门针对药物处理的异型乳腺肿瘤球体的高分辨率图像数据集HTS-Seg，为人工智能驱动的图像分割和分析奠定了坚实基础。

研究人员采用微流控芯片技术，精心培养由高度侵袭性三阴性乳腺癌细胞系MDA-MB-231与人成纤维细胞组成的异型球体。实验设置对照组与经伊朗产多柔比星脂质体（SinaDoxosome）处理组，连续8天进行显微成像，最终获得95幅高分辨率原始图像。这些图像经过预处理后被分割为2,980个512×512像素的图像块，并采用半自动标注技术生成金标准标注。

在技术方法层面，研究团队主要运用了三大关键技术：微流控芯片培养异型肿瘤球体技术，确保球体形成的高效性和均一性；高分辨率长时间序列显微成像技术，连续8天记录球体动态变化；以及多模型深度学习分割框架（包括U-Net、全卷积网络FCN、Mask R-CNN和DeepLab），结合支持向量机（SVM）分类器进行形态特征分析。

结果与讨论

分割性能比较

在评估的深度学习模型中，DeepLab表现最为突出，其Jaccard指数达到91.17%，显著优于其他模型。这表明基于深度学习的语义分割方法在复杂生物医学图像分析中具有强大潜力。研究团队还创新性地将形态学特征提取与机器学习分类相结合，为药物效应量化提供了新思路。

形态学特征分析

通过广义估计方程（Generalized Estimating Equations）对分割后球体的关键形态描述符——面积、周长、内切圆半径和边界复杂度——进行统计分析，发现处理组与对照组间存在统计学显著差异（p < 0.05）。这些形态变化直观反映了药物治疗引起的球体收缩和结构改变，为无标记药物效应评估提供了可靠指标。

分类性能

基于主成分分析（Principal Component Analysis）降维后的形态特征，支持向量机（Support Vector Machine）分类器在区分对照组和处理组时实现了96%的准确率。这一结果证明，从分割结果中提取的形态学特征能够有效捕捉药物治疗引起的细微变化，为高通量药物筛选提供了自动化解决方案。

结论与展望

HTS-Seg数据集的建立填补了异型乳腺肿瘤球体高质量图像数据的空白。它不仅为开发更精准的图像分割算法提供了训练和验证资源，而且通过结合形态特征分析与机器学习分类，展示了人工智能在抗癌药物评价中的巨大应用潜力。该研究推动了三维肿瘤模型分析向自动化、标准化方向发展，为加速抗癌药物研发进程提供了重要技术支撑。

值得注意的是，研究中采用的微流控技术确保了球体形成的可控性和重复性，而半自动标注策略则在保证标注质量的同时提高了效率。未来，这一数据集可进一步扩展至更多药物类型和细胞组合，有望成为抗癌药物筛选领域的重要基准资源。