直到最近，细胞图像的分析通常需要手动进行，往往耗时数小时。Sartorius的科学家Jasmine Trigg对此记忆犹新。“获得我需要的见解非常具有挑战性，因为准确地分割细胞或大规模分析细胞经常是痛点。另一个困难是使用成像试剂，特别是在神经细胞中，这些试剂有时与敏感细胞不兼容或引入了伪影。”她回忆起在神经科学实验室的日子。
细胞数据是推进人类健康知识和寻找疾病有效治疗方法的关键支柱。这一理念的核心在于监测细胞如何生长和行为。尽管低通量或破坏性技术已被证明有益，但更多的实验室正在采用非侵入性技术来实时监测活细胞。
图像分析技术，如降噪、分割和特征提取，常用于此类分析。当使用手动工作流程时，这些方法需要特定的专业知识，并且容易出现人为错误。例如，细胞分割是识别和分离图像中不同区域或对象的关键步骤。手动分割需要设置强度阈值以分离前景和背景，然后使用适当的计算机软件，通过鼠标绘制细胞或感兴趣结构的边界。不出所料，在成千上万的细胞上可重复且无偏见地执行此任务极其困难。
随着人工智能（AI）工具在实验室中的普及，很难想象回到没有这些工具的时代。对于细胞分析而言，Trigg及其团队在Sartorius开发的AI驱动软件对工作流程的自动化和消除主观性产生了显著影响。
用于细胞分析的人工智能工具
人工智能驱动工具的引入使细胞培养分析更加高效，通过自动化分割、特征提取和数据分析提高了准确性和可重复性，使研究人员能够专注于结果解释而不是繁琐的手动任务。
这些工具利用训练数据开发模型，能够以高精度分析和分类显微镜图像中的细胞。训练数据包括数百万张高质量的手动注释细胞图像，以突出和区分诸如活细胞与死细胞或特定细胞类型等特征。
Trigg在开发Incucyte® Live-Cell Analysis System上的高级AI工具时，对这一过程非常熟悉。“你意识到拥有高质量的真实数据用于训练和验证模型是多么重要。首先，你需要明确模型要做什么以及它将在哪些环境中使用。其次，注释图像以进行模型训练时必须具体且一致，并包括广泛的例子。最后，软件工程师和生物学家之间必须有良好的沟通和理解，以确保模型按预期工作。”该团队使用此过程开发了Incucyte® AI Cell Health Analysis Software Module，这是可以与Incucyte®系统一起使用的新AI工具之一。使用此工具，科学家可以在不使用荧光染料的情况下准确处理和量化活细胞或死细胞，从而增强数据的生物学相关性。
AI细胞健康分析应用
活/死分析是评估整体细胞健康的关键部分，对于评估细胞活力和了解细胞对治疗或条件的反应至关重要。这一过程可以通过Incucyte® AI Cell Health Analysis Module实现自动化，它可以动态量化随时间变化的贴壁和非贴壁细胞，使其成为细胞培养研究中的宝贵工具。
正如Trigg所澄清的那样，“AI工具通过简单的过程提供无偏见的细胞分析，从而从复杂的图像和简单的实验中获得更好的见解。它们可以准确地分割细胞，而不受背景元素（如纹理、划痕或沉淀物）的干扰，并在多种条件下保持一致性，尤其是在高通量情况下显著减少分析时间。”
该模块被广泛应用于多个研究领域，尤其是那些需要实时监测和细胞健康分析的领域。
癌症研究
该模块在癌症研究中用于评估药物细胞毒性并调查多种治疗化合物对肿瘤细胞的影响。研究人员利用其功能进行药物敏感性试验，允许在不使用荧光标记的情况下量化活细胞和死细胞，这对于研究原代细胞和肿瘤细胞系至关重要。
神经科学
神经细胞类型的工作面临的一个挑战是其形态和行为的复杂性，这使得手动分析既费力又容易出错。Incucyte® AI Cell Health Analysis Module在准确分割这些复杂的形态方面发挥了关键作用，支持对神经元健康和各种治疗对胶质细胞健康影响的理解。
药物开发
基于AI的图像分析在药物开发的高通量筛选过程中处于核心地位。它使多种细胞类型和条件下的化合物测试流程化。其能够提供实时、无标签的分析，提高了药物测试协议的通量和可靠性。
结论
机器学习技术，特别是卷积神经网络，提供了有价值的机遇，可以简化预处理和特征提取，显著提高常规细胞分析中的图像质量和准确性。
Sartorius处于提供软件解决方案的前沿，如AI Cell Health Module和AI Confluence Module。这些工具提高了活细胞分析的精确性和效率，促进了细胞生长的非侵入性、基于图像的测量，并推动了对复杂细胞过程的深入理解。
(全文结束)
