基于时序伪RGB编码的无标记VEEV感染人脑内皮细胞检测

《Array》：Temporal pseudo-RGB encoding for label-free detection of VEEV infection in human brain endothelial cells

　　

将三个时间偏移的明场帧堆叠为二维卷积神经网络（CNN）的RGB通道。时序编码无需架构更改或自定义时序模块。单次前向传播即可返回感染与模拟对照状态及感染后经过时间。晚期阶段：平均提升+23.9个百分点；全部36个孔均倾向于时序编码。检测可靠性依据病毒感染复数（MOI）和感染后时间绘制成图表。

论文解读文章

研究背景与问题

在抗病毒药物筛选、疫苗评估、生物防御及新兴病原体监测等领域，从无标记显微镜图像中自动检测病毒感染具有重要意义。明场成像因其非侵入性、可连续纵向采集高时间分辨率图像、且无荧光标记或破坏性活力测定带来的伪影和终点限制等优势，非常适合此类应用。近年来，深度学习方法已能够直接从明场图像中检测细胞病变效应（CPE），即细胞变圆、收缩和脱落等标志病毒有效复制的形态变化。然而，现有方法均独立处理每一帧图像，丢弃了延时成像中固有的时间轨迹信息。

由于感染随时间展开，基于孤立快照训练的模型必须从单一静态外观推断感染进程。这种局限性在早期阶段（明显的CPE出现之前）和晚期阶段（漂浮细胞和碎片使单帧明场图像中的单层形态模糊不清时）尤为突出。因此，研究人员提出，编码形态变化的轨迹而非瞬时状态，可能使无标记检测在整个感染时间线上更加稳定。

研究方法与技术路线

为解决上述问题，研究人员采用时序伪RGB编码技术：将三个时间偏移的明场帧（t-6小时、t-3小时、t）分别作为红色、绿色和蓝色通道堆叠成一幅时序伪RGB图像，使得发生形态变化的区域呈现颜色偏移，而静态区域保持灰色。这种表示方式允许标准ImageNet预训练CNN重新利用其学到的颜色处理特征进行时序判别，无需架构修改、额外参数或专门的时序模块（如3D卷积、循环网络或光流估计器）。结合统一的多任务训练目标，同时优化四类条件分类和连续时间回归，单次前向传播即可获得稳定的二分类感染vs模拟对照读数和连续的感染后时间估计。

实验在人脑微血管内皮细胞（HBMVEC）上进行，这些细胞构成血脑屏障（BBB）的关键组分，感染委内瑞拉马脑炎病毒（VEEV）TC-83减毒疫苗株。使用了三种感染复数（MOI 5、MOI 1、MOI 0.1）和一个模拟对照条件，每30分钟采集一次图像，持续48小时。共进行三次独立实验运行，以孔为分析单位，采用留一行交叉验证进行评估。

研究结果

1. 时序编码相对于单帧分析的性能提升

通过留一行交叉验证，时序伪RGB编码在全时间过程中的准确性比单帧对应方法高出+4.2个百分点，在晚期阶段（40-48小时）高出+23.9个百分点，此时两种方法的差异最大。在所有36个孔中，时序编码均优于单帧分析。

2. 多任务学习的贡献

多任务目标（联合优化四类条件分类和时间回归）降低了时间估计误差，并且在此协议下未检测到对检测准确性的影响。辅助的连续时间回归任务监督了变化的速率和阶段，使得单次前向传播既能返回感染判断，也能提供感染进展程度的估计。

3. 不同骨干网络的比较

在匹配的固定划分比较中，时序优势在使用三种卷积骨干网络时均被观察到，而ViT-B/16的比较未显示相应的增益。

4. 检测可靠性与MOI和时间的关系

研究人员绘制了在不同MOI和感染后时间点下，何时可获得可靠检测的图表，展示了该方法在不同感染条件下的表现边界。

讨论与结论

讨论总结：

本研究的贡献可分为表示方法、实验体系和经验发现三个方面。在表示方法上，时序通道堆叠此前已在动作识别中得到验证，但本研究将其应用于数小时的偏移量和缓慢的非刚性生物学变化（细胞变圆、收缩和脱落），而非毫秒级的人体运动。在实验体系上，研究在原发性人脑微血管内皮细胞这一血脑屏障关键组分中评估了该方法，与以往在流感、副流感病毒等系统中的无标记CPE检测不同。在经验发现上，时序编码的优势具有时间局部性：单帧分析在晚期阶段特异性退化，而时序编码则不会，这种晚期阶段的差异使得轨迹表示在该场景中优于静态表示。

研究结论：

本研究在单一细胞制备、单一病毒株、单一成像平台和单一实验室条件下获得了所有结果。由于标签是根据实验感染条件在孔级别分配的，因此该模型应被解释为检测来自感染孔与模拟对照孔的图像视野，而非直接测量单个细胞的感染状态。时序伪RGB编码为无标记病毒感染检测提供了一种简单而有效的方法，通过编码形态变化轨迹而非瞬时状态，显著提高了晚期阶段的检测稳定性。