费城儿童医院（CHOP）的研究人员宣布开发了一种新的AI技术，称为CelloType，这是一种全面的模型，旨在更准确地识别和分类高含量组织图像中的细胞。该研究结果于11月22日发表在《自然方法》杂志上。
空间组学是一个结合了分子谱型（如基因组学、转录组学或蛋白质组学）与空间信息的领域，用于绘制复杂组织内不同分子的位置。它提供了重要的详细见解，帮助了解疾病在细胞水平上的发展和进展，促进了精确诊断和靶向治疗的发展，这是CHOP转化研究的主要焦点。
这一过程使研究人员能够研究广泛的复杂疾病，如癌症和慢性肾病，揭示细胞相互作用和微环境如何影响疾病进展和治疗反应。作为这一领域的关键第一步，研究人员需要进行细胞分割（识别细胞边界）和分类（确定细胞类型）的任务。
最近的空间组学技术进步使得能够在细胞水平上分析完整组织，从而提供前所未有的洞察力，了解细胞结构与各种组织和器官功能之间的联系。在这方面，CHOP目前参与了多个高知名度项目，如人类肿瘤图谱网络、人类生物分子图谱计划（HuBMAP）和脑计划，这些项目使用类似的技术来绘制健康和病变组织的空间组织。
“我们才刚刚开始解锁这项技术的潜力，”该研究的首席作者、CHOP儿科系教授Kai Tan博士说，“这种方法有可能重新定义我们如何在细胞水平上理解复杂组织，为医疗保健领域的变革性突破铺平道路。”
随着空间组学数据的激增，对更复杂的计算工具的需求日益迫切，这促使Tan和他的团队开发了CelloType。该模型利用基于变压器的深度学习技术。深度学习自动化了高维数据的分析，使模型能够捕捉复杂的关系和上下文。它在处理大规模任务（如自然语言处理和图像分析）方面非常高效，随后学习模式并进行预测或分类。它被编程为提高细胞检测、分割和分类的准确性。
在这项研究中，Tan和他的团队分析了CelloType在使用动物和人体组织数据集时的表现，与一系列传统方法进行了比较。传统的两阶段方法涉及先分割再分类，这种做法既低效又不准确。然而，CelloType采用了多任务学习策略，通过同时整合分割和分类，提高了效率。CelloType还在各种类型的图像上超越了现有的分割方法，包括自然图像、亮光图像和荧光图像。
在细胞类型分类方面，CelloType超过了由各个任务的最佳方法组成的模型和高性能实例分割模型，后者使用AI精确勾勒图像中的对象。
使用多重组织图像（一种高级生物医学图像，可以在单个组织样本中显示多个生物标志物），研究人员还展示了CelloType如何用于组织中细胞和非细胞元素的多尺度分割和分类。CelloType加速了这一过程，该过程可以识别和分离图像中不同大小的组织元素，允许对小细胞和大细胞结构进行详细分析。
“我们的发现强调了技术在当今生物医学研究中的日益关键作用，”CHOP儿童癌症研究中心的调查员Tan说，“CelloType通过提供一个强大且可扩展的工具来分析复杂组织结构，推进了空间组学的发展，从而加快了细胞相互作用、组织功能和疾病机制的发现。”
CHOP以外的研究人员可以通过公共存储库免费访问CelloType的开源软件，供非商业用途使用。
(全文结束)
