编辑推荐：
研究人员为解决染色体不稳定性（CIN）评估手动操作繁琐等问题，开发 micronuclAI，可高效量化 CIN，意义重大。
在癌症的世界里，肿瘤细胞就像一群疯狂生长、不受控制的 “小怪兽”。而染色体不稳定性（Chromosomal instability，CIN），便是这些 “小怪兽” 身上一个极为关键的特征。CIN 就像是细胞遗传信息传递过程中的 “捣蛋鬼”，它能导致染色体在细胞分裂时分配出错，让细胞接收过多或过少的遗传物质。这些多余的染色质常常会被包裹在微核（micronuclei，MN）里。MN 大小不一，形态各异，它们可不仅仅是细胞里无关紧要的 “小包裹”。当 MN 频繁破裂，会释放出双链 DNA（dsDNA）到细胞质中，激活一系列免疫反应相关的 “信号开关”，影响肿瘤的生长、转移以及对治疗的抵抗能力。
目前，评估 CIN 的主要方法是通过人工在显微镜下数 MN 的数量，这就好比用最原始的人工计数方式去数一大群蚂蚁，不仅耗时费力，还特别容易出错。不同的人去数，结果可能还不一样，而且细胞密度大的时候，很难把 MN 和细胞核准确区分开。为了解决这些难题，来自德国海德堡大学医学院计算生物医学研究所、美国哥伦比亚大学欧文医学中心等机构的研究人员展开了深入研究。他们开发出了 micronuclAI 这一创新工具，并将研究成果发表在《Communications Biology》上。这一成果为 CIN 的研究带来了新的曙光，有望改变现有的研究困境。
研究人员开展这项研究时，用到了多个关键技术方法。首先是细胞培养技术，培养了如 A375、NCI-H358 等多种细胞系 。在图像获取方面，使用特定的显微镜及成像设备对细胞进行拍照。数据处理和分析上，利用深度学习、计算机视觉技术，通过训练卷积神经网络（CNN）模型对微核进行识别和量化。在核分割时，测试了多种方法后选择 Stardist 方法。
下面来看看具体的研究结果：
- micronuclAI 性能的普适性：研究人员对 NCI-H358 非小细胞肺癌细胞系的图像进行评估，通过调整 CIN 水平，对比人工计数和 micronuclAI 自动计数结果，发现该工具准确性高，二者相关性强。而且，对不同技术重复或生物重复图像的 CIN 评分取平均值后，各项评估指标更好12。
- 训练数据集生成和模型选择：研究人员用自定义工具对 23 张 A375 细胞系图像进行人工标注，测试多种核分割方法后选择 Stardist。对分割出的细胞核进行处理和筛选，构建平衡训练数据集。经 10 折交叉验证，选择 EfficientNet-V2-S 模型架构，该模型在平衡数据集上表现更优34。
- micronuclAI 在测试集上的准确性：在包含 804 个分离细胞核的测试集上，EfficientNetV2-S 模型表现出色，F1 加权分数达 0.9301，MCC 为 0.8751。注意力图也显示模型能准确识别 MN 所在区域5。
- micronuclAI 性能的稳健性：利用独立数据集测试 micronuclAI 对不同核染色和成像条件的适应性，在 Hoechst 染色的 U2OS 骨肉瘤细胞系图像上，该工具能准确量化细胞和微核数量。在小鼠肺癌细胞系上测试，也得到了高度相关的结果，证明其对不同物种、放大倍数和技术变化都有较好的稳健性67。
总的来说，micronuclAI 是一个基于深度学习和计算机视觉技术的强大工具，为评估 CIN 提供了高效、可靠的解决方案。它能够在多种细胞系、不同染色和成像条件下准确量化 MN，实现接近人类水平的性能，而且速度比人工快得多。不过，它也存在一些局限性，比如无法清晰解释预测的依据，对核分割掩码有一定依赖，在处理重叠细胞核、形状不规则细胞核等情况时效果欠佳，目前还不支持从 H&E 染色图像中进行 MN 计数。但这并不影响它成为研究 CIN 生物学的关键工具，随着技术的不断发展和完善，未来 micronuclAI 有望在肿瘤生物学研究、癌症治疗方案的制定等方面发挥更大的作用，帮助人们更好地理解癌症，对抗这些疯狂的 “肿瘤小怪兽”。
