CellApop：一种基于知识的解耦蒸馏框架，用于在明场显微镜下实现高效的细胞凋亡分割和动态分析

《Computer Methods and Programs in Biomedicine》：CellApop: A knowledge-guided decoupled distillation framework for label-efficient apoptotic cell segmentation and dynamic analysis in brightfield microscopy

凋亡细胞动态检测方法：基于知识蒸馏的轻量级分割网络在明场显微图像中的应用

　　本研究提出了一种基于分割的深度学习框架，旨在实现对明场显微镜图像中凋亡细胞的无标记、动态检测。这一框架的设计初衷是为了克服传统凋亡检测方法的局限性，这些方法通常依赖于荧光染色技术，不仅操作繁琐，而且可能对细胞造成毒性影响，同时无法实现对细胞状态的实时监控。因此，开发一种无需染色、能够高效、准确识别凋亡细胞的技术显得尤为重要。

在传统方法中，凋亡细胞的检测往往需要通过特定的荧光标记物，如DAPI或Hoechst，来观察细胞核的变化。然而，这种方法在早期凋亡阶段可能不够敏感，因为此时细胞形态的改变较为细微。此外，染色过程可能会影响细胞的活性，使得长期、非侵入性的监测变得困难。相比之下，明场显微镜提供了一种无需染色的实时成像方式，但其局限性在于细胞之间的重叠和边界不清晰，使得手动识别变得主观且容易出错。因此，亟需一种自动化、高通量的凋亡检测方法，能够在无标记的情况下，准确捕捉细胞形态的变化并进行动态分析。

本研究的核心贡献在于设计了一个名为CellApop的轻量级分割网络，该网络结合了知识引导的解耦蒸馏（KDD）策略，以提升模型的性能并减少人工标注的负担。KDD框架利用多个预训练教师模型对编码器和解码器进行独立优化，从而在不依赖大量标注数据的前提下，实现高效的模型训练。这种策略显著降低了手动标注的需求，特别是在使用自建凋亡数据集时，标注工作量减少了约80%。此外，CellApop网络采用了重参数化、深度可分离卷积以及边缘感知模块，这些技术增强了模型在复杂细胞环境下的边界定位能力，使其能够在细胞密集重叠、形态差异显著的情况下仍保持较高的分割精度。

为了确保模型的有效性，本研究构建了一个包含16,472张明场细胞图像的综合训练数据集，这些图像来自四个不同的来源：三个公开数据集（BF-C2DL-MuSC、DIC-C2DH-HeLa和LiveCell）以及一个自建的凋亡数据集。这些数据集涵盖了多种细胞类型和实验条件，为模型的训练和验证提供了广泛的基础。通过对这些数据集的分析，研究人员能够全面评估CellApop在不同情况下的性能表现，包括Dice相似度系数、Hausdorff距离、交并比（IoU）、灵敏度和特异性等指标。结果显示，CellApop在一般细胞和凋亡细胞的分割任务中分别达到了0.843和0.754的Dice得分，表明其在识别细胞形态变化方面具有较高的准确性。

在实际应用中，CellApop还被用于观察者研究，以评估其在药物处理条件下的自动化凋亡率量化能力。研究结果显示，该模型生成的凋亡率与专家评估高度一致，且在早期凋亡阶段的表现优于初级和中级专家。这一结果表明，CellApop不仅能够提供可靠的凋亡检测，还能在不同经验水平的专家之间实现一致性，为自动化凋亡分析提供了新的可能性。

CellApop的另一个重要特点是其轻量级设计，使得模型能够在计算资源有限的实验室环境中部署和应用。传统的深度学习模型往往需要大量的计算资源和时间，难以满足实际研究中对高效、快速分析的需求。而CellApop通过优化网络结构，降低了模型的复杂度和推理延迟，使其能够在实际操作中实现快速处理和分析。这一特性对于需要大规模数据处理的生物医学研究和药物筛选尤为重要，因为高效的模型可以显著提升实验效率，减少数据分析的时间成本。

此外，本研究还探讨了CellApop在不同细胞系中的应用潜力。通过在多种肿瘤细胞系中进行测试，研究人员发现该模型能够有效地追踪细胞状态的动态变化，并在不同实验条件下保持良好的泛化能力。这种能力对于理解凋亡过程在不同细胞类型中的表现具有重要意义，也为个性化治疗策略的制定提供了数据支持。

本研究的伦理声明表明，实验过程中仅使用了已建立的细胞系和公开数据集，未涉及人类或动物的使用，所有操作均符合机构指南，因此无需伦理审批和知情同意。这一声明进一步强调了研究的伦理合规性，确保了实验的透明度和可重复性。

在数据可用性方面，本研究使用了多个公开数据集，包括BF-C2DL-MuSC、DIC-C2DH-HeLa和LiveCell，这些数据集提供了丰富的明场显微镜图像，涵盖了多种细胞类型和实验条件。这些数据的开放性不仅促进了研究的可验证性，也为其他研究者提供了宝贵的资源，有助于推动该领域的进一步发展。

综上所述，本研究提出了一种基于分割的深度学习框架，通过结合知识引导的解耦蒸馏策略和轻量级设计，实现了对明场显微镜图像中凋亡细胞的高效、准确检测。这一框架不仅克服了传统方法的局限性，还为自动化凋亡分析和药物反应评估提供了新的工具。其在实际应用中的表现表明，CellApop能够满足生物医学研究和临床诊断的需求，为无标记、动态监测凋亡过程提供了可靠的技术支持。未来，随着该技术的进一步优化和推广，有望在更广泛的实验场景中发挥作用，推动细胞凋亡研究的进展，并为个性化医疗和药物开发提供新的方向。