一种用于显微图像中癌细胞分割与分类的可解释 AI 流程

一个可解释深度学习流程被开发用于从大规模荧光显微图像中自动识别转移细胞，并完成单细胞分割与正常/转移分类。该流程先用预训练且具备域泛化的分割模型识别单细胞，再训练基于 DINO 的自监督 transformer 分类器，并借助可解释 AI 方法生成热图解释。仅训练分类器时 DINO 的 F1-weighted 分数超过 97%，全模型微调时 DINOv3 达到最高 98.35%。跨放大倍数测试及自监督/弱监督模型对比显示 DINO 类模型泛化能力更优，模型关注的重要细胞区域与生物学共识一致，流程还能检测并利用有生物学意义的细胞骨架特征辅助分类。