一种AI驱动的类器官无标记活率估计的方法
本发明涉及一种ai驱动的类器官无标记活率估计的方法,属于类器官活率估计领域。
背景技术:
1、患者来源类器官(patient-derived organoids,pdos)作为新一代疾病建模平台,在评估肿瘤药物反应方面展现出巨大潜力,尤其适用于基于pdos的药物敏感性检测。
2、评估类器官活率是实施药物敏感性检测的关键步骤。当前方法主要采用终点破坏性的能量代谢检测,如celltiter-glo(用于检测三磷酸腺苷,atp)、mtt或cck-8。其中,基于atp含量测定的celltiter-glo应用尤其广泛。atp可用于评估细胞代谢活性,并与存活细胞数呈强线性相关,因此atp水平常被用作细胞活率的间接指标。这类方法通常通过比较实验组与对照组的信号(相对发光单位,relative light units,rlu),计算相对活率,以表征药物对类器官增殖的抑制效应。
3、另一方面,基于live/dead染色的荧光成像因其非破坏性与高空间分辨率而被广泛应用,可在三维结构中精确捕捉局部细胞状态。实践中主要有两种策略:其一仅测量活细胞信号,并与对照组比较以估计相对活率,类似于代谢法;其二使用活细胞信号与死细胞信号的比值,直接反映药物诱导的细胞毒性。传统上,类器官药物测试多依赖代谢法生成剂量–反应曲线并计算半数抑制浓度(ic50)或曲线下面积(auc)等指标,而荧光成像常作为可视化补充。对于更复杂的培养系统(如类器官芯片或类器官微阵列),荧光成像更为适配,不仅可在单个类器官尺度上直接量化活率,还支持计算lc50以评估药物毒性或敏感性。
4、为克服传统方法的不足,研究者开始探索基于明场图像的类器官活率评估。然而,由于缺乏直接的生化信号,明场下的活率估计往往依赖间接的形态学特征,限制了其准确性。近年来,基于人工智能的明场活率估计方法逐步出现。一类方法依赖专家标注或生物学实验标签构建存活状态分类模型;另一类以生物学指标(如atp水平或live/dead荧光)作为活率伪标签,训练深度回归模型进行预测。例如,deeporganoid与ins-atp即基于atp测定构建图像回归模型。也有研究者在高通量微阵列平台上利用光学相干断层成像(oct)预测类器官活率,其中将live/dead荧光结果作为弱监督标签,用于单类器官层面的活率预测与连续动态监测。但是,现有患者来源类器官(pdos)药物敏感性检测过程中存在的以下技术问题:依赖代谢检测或荧光染色,检测过程破坏样本、劳动强度大,难以实现连续动态监测;传统方法仅能获得群体平均活率,无法反映单类器官层面的异质性药物响应;明场图像缺乏直接生物学信号,现有基于明场的活率评估方法准确性和鲁棒性不足;药物敏感性评价指标单一,难以刻画药物起效速度及时间动力学特征;小样本条件下模型泛化能力不足,难以满足临床精准用药需求。
技术实现思路
1、发明目的:本发明的目的是提供一种基于明场类器官图像的、无标记、非侵入式的ai驱动的类器官无标记活率估计的方法,通过引入软监督对比学习机制,实现对单类器官活率的高精度动态估计,并进一步构建多药理学指标,实现与传统荧光法和代谢法一致且具备临床相关性的药物敏感性评估。
2、技术方案:本发明提供一种ai驱动的类器官无标记活率估计的方法,包括如下步骤:
3、(1)类器官图像获取:
4、在药物处理后中,采集类器官的明场显微图像,在模型训练阶段,同步获取与所述明场图像对应的、基于传统检测方法得到的类器官活率测量值,所述活率测量值作为标签信号;
5、(2)对明场图像进行类器官分割:
6、对原始样本图像进行目标结构区域确定处理,包括:对原始图像进行区域划分、目标定位或整体特征提取;
7、(3)单类器官特征提取:
8、将步骤(2)中获得的单类器官图像区域输入特征提取网络,提取表征类器官形态特征的高维特征嵌入向量,用于后续活率预测与药物反应分析;
9、(4)软监督对比回归学习:
10、基于步骤(3)中获得的样本特征表示,引入对比联合回归学习机制:以样本对应的连续型表型指标作为软监督信号,根据不同样本表型指标之间的差异程度构建样本对之间的相似性度量或权重函数;在特征空间中引入对比约束,使表型指标相近的样本特征表示相互接近,使表型指标差异较大的样本特征表示相互分离;同时构建连续值预测目标,通过将所述对比约束目标与连续值预测目标进行联合优化训练,得到用于表型指标预测的模型;
11、(5)类器官活率预测:
12、利用步骤(4)中训练得到的活率预测模型,对未知活率标签的单类器官明场图像进行推理,输出对应的单类器官活率预测值;在同一药物处理条件或同一培养孔位下选取预设数量的类器官,对所选类器官的活率预测值进行统计平均,将所得平均值作为对应药物处理条件下的群体活率估计结果;
13、(6)药物敏感性指标计算与评估:
14、基于步骤(5)中得到的群体活率估计结果,构建药物剂量–反应关系,并计算至少一种药物敏感性指标,根据所述药物敏感性指标,对不同药物或不同药物浓度下的治疗效果进行比较与排序。
15、其中,步骤(1)中所述图像为无染料、无标记的二维或三维投影图像。
16、其中,步骤(1)中所述药物为临床常用的化药和靶药。
17、其中,步骤(1)中所述药物包括吉西他滨、卡铂、培美曲塞、阿法替尼、阿美替尼、奥希替尼、顺铂、长春瑞滨、伏美替尼或多西他赛中的一种或几种。
18、其中,步骤(1)中所述传统检测方法包括荧光染色法和代谢检测法。
19、其中,步骤(2)中包括将图像划分为若干图像区域或子块,并分别进行分割推理,获得对应区域内的目标结构分割结果;对各区域结果进行拼接、融合或边界修正处理,生成完整图像尺度下的目标结构区域表示;或者在不进行显式分割的情况下,直接基于整幅图像或图像区域提取目标结构相关特征;基于所述目标结构区域表示或整体图像特征,提取单个或多个目标结构对应的图像区域或特征区域,用于后续分析处理。
20、其中,步骤(5)中所述预设数量为30个。
21、其中,步骤(6)中所述药物敏感性指标包括半数抑制浓度ic50、半数致死浓度lc50、曲线下面积auc或表征药物起效速度的时间相关指标time-auc。
22、本发明还对模型的可迁移性进行了验证:
23、基于上述流程训练得到的模型,进一步在来自新成像平台(counts star,中国)的图像数据上进行测试。在迁移学习过程中,我们冻结了原模型中回归头之前的特征提取层,仅利用约570张由新平台获取的lco16来源肺腺癌类器官图像对回归层进行微调,以适应新平台下的图像分布差异。随后,使用约180张来自lco3的肺腺癌类器官图像对模型性能进行了评估。
24、有益效果:与现有技术相比,本发明具有如下显著优点:
25、1、无标记、非破坏性检测流程,仅依赖明场图像,无需荧光染料或代谢试剂,可对同一类器官进行长期连续监测;
26、2、单类器官高分辨率评估,实现类器官层面的活率预测,显著提升对个体异质性药物响应的解析能力;
27、3、高精度与强一致性,在小样本条件下即可获得与荧光法高度一致的结果(r2>0.98,rmse<0.05);
28、4、小样本友好、临床适配性强,每个药物浓度仅需约30个类器官,显著降低样本与实验成本;
29、5、支持动态监测与药效动力学分析,首次引入time-auc等时间相关指标,用于量化药物起效速度;
30、6、高度可扩展与自动化,适用于高通量筛选、类器官芯片及临床药敏平台,易于集成至现有成像系统;
31、7、临床相关性明确,药物敏感性排序与临床实际用药结局高度一致,为精准用药提供可靠决策支持。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com