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。这一发现发表在《自然方法》杂志上。
空间组学是一个研究领域，它将分子谱型（如基因组学、转录组学或蛋白质组学）与空间信息结合，以绘制复杂组织内不同分子的位置。这为疾病如何在细胞水平上发展和进展提供了重要的详细见解，有助于推进精确诊断和靶向治疗，这是CHOP转化研究的主要重点。这一过程使研究人员能够通过揭示细胞相互作用和微环境如何促进疾病进展和治疗反应来研究广泛的复杂疾病，如癌症和慢性肾病。
作为空间组学数据分析的关键第一步，研究人员承担了细胞分割（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可以在细胞水平上分析完整的组织，从而获得前所未有的关于细胞结构与各种组织和器官功能之间联系的见解。在这方面，CHOP目前正在参与一些高调项目，如人类肿瘤图谱网络、人类生物分子图谱计划（HuBMAP）和BRAIN倡议，这些项目使用类似的技术来绘制各种健康和疾病组织的空间组织。
“我们才刚刚开始解锁这项技术的潜力，”该研究的主要作者、CHOP儿科系教授Kai Tan博士说，“这种方法可以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进行数据分析的需求日益迫切，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与一系列传统方法在动物和人体组织数据集上的表现。传统的两阶段方法涉及先分割再分类，效率低下且缺乏准确性。然而，CelloType采用了多任务学习策略，更加高效，因为它同时集成了分割和分类。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超过了由最先进的单一任务方法和高性能实例分割模型组成的模型，后者使用AI精确勾勒图像中的对象。
使用多重组织图像，一种先进的生物医学图像，可以显示单个组织样本内的多个生物标志物，研究人员还展示了CelloType如何用于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，该过程在图像中识别和分离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。
“我们的研究结果强调了技术在当今生物医学研究中日益关键的作用，”CHOP儿童癌症研究中心的研究员Kai Tan说，“CelloType通过提供一个强大且可扩展的工具来分析复杂的组织结构，从而加速了细胞相互作用、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，用于非商业用途。
(全文结束)
