基于图像的类器官芯片质量评估中深度学习设计选择的系统评估 - 可购买

《Lab on a Chip》：Systematic Evaluation of Deep Learning Design Choices for Image-Based Organ-on-Chip Quality AssessmentAvailable to Purchase

【字体：大中小】 时间：2026年10月03日 来源：Lab on a Chip 5.4

编辑推荐：

　　 Open figure viewer 无标签明场显微镜术广泛用于监测器官芯片（OOC）培养物，但人工质量评估可能存在主观性、劳动密集，且难以在不同生物学条件下实现标准化。利用一个包含

无标签明场显微镜术广泛用于监测器官芯片（OOC）培养物，但人工质量评估可能存在主观性、劳动密集，且难以在不同生物学条件下实现标准化。利用一个包含来自六条细胞系的3,072张显微图像的数据集，我们系统地评估了与自动化OOC质量评估相关的四个问题：(1) 模型架构和图像分辨率如何影响性能，(2) 预测信息是局部化还是分布在整张图像中，(3) 生物学元数据是否提供了超越图像本身的互补信息，(4) 学习到的质量表示在不同细胞系之间的迁移效果如何。我们发现：(1) 架构和输入分辨率均影响性能，将分辨率从224×224提高到768×768使ConvNeXt-Tiny的准确率从0.852提升至0.910，并使六种评估卷积神经网络（CNN）中的五种性能有所改善；(2) 多实例学习和显著性分析表明，与质量相关的信息分布在多个图像区域中，而非由孤立的局部缺陷主导；(3) 生物学元数据仅提供适度的额外收益，最佳元数据条件模型的准确率为0.915，相比纯图像分类的0.910略有提升；(4) 迁移到未见过的细胞系时表现差异较大（ROC-AUC 0.783–0.999），而使用目标细胞系数据进行微调可显著恢复性能，将综合准确率从0.791提升至0.890。域对抗训练未能一致改善迁移效果。本工作的创新之处不在于引入新的深度学习架构，而在于在统一框架内系统地评估这些OOC特有的设计与泛化因素。这些发现强调了图像分辨率、生物学领域验证和目标域适应是实现稳健的自动化OOC质量评估的重要考量因素。

此内容仅可通过PDF获取。