可解释深度学习管线实现癌细胞分割与分类

研究团队在 BMC Bioinformatics 发表一种可解释深度学习管线，用于从大规模荧光显微图像中自动分割单细胞并区分正常细胞与转移细胞。该管线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，并用可解释 AI 方法生成热图。 团队报告，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%。跨放大倍数测试及与自监督、弱监督模型的对比显示 DINO 类模型泛化能力更优；团队称模型关注的重要细胞区域与生物学共识一致，管线还能检测并利用有生物学意义的细胞骨架特征辅助分类。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。