用于将细胞分类的机器学习方法与流程

技术特征：
1.一种将t细胞分类的方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据，其中所述图像数据包括相位图像数据、强度图像数据和叠加图像数据中的一个或多个；将来自所述多个t细胞的每个细胞的图像数据作为输入应用到过程，所述过程包括在与已知属于第一组的t细胞和已知属于第二组的t细胞相关的图像数据上训练的卷积神经网络，其中所述图像数据包括相位图像数据、强度图像数据和叠加图像数据中的一个或多个，从而将所述多个t细胞的每个细胞分类为属于所述第一组或所述第二组。2.一种将t细胞分类的方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据，其中所述图像数据包括相位图像数据、强度图像数据和叠加图像数据中的一个或多个；将来自所述多个t细胞的每个细胞的图像数据作为输入应用到过程，所述过程被配置为基于所述图像数据将所述多个t细胞的每个细胞分类为属于第一组或第二组。3.一种方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据，所述图像数据包括相位图像数据、强度图像数据和叠加图像数据中的一个或多个；确定所述多个t细胞的每个细胞属于第一组或第二组的分类；基于所述图像数据和所确定的分类训练卷积神经网络。4.根据权利要求2所述的方法，其中：所述过程包括应用使用根据权利要求3所述的方法训练的卷积神经网络；并且将与所述多个t细胞的每个细胞相关的图像数据作为输入应用到所述过程包括将所述图像数据应用到所述卷积神经网络。5.根据权利要求1、3和4中任一项所述的方法，其中将所述卷积神经网络进一步在与已知属于所述第一组的t细胞和已知属于所述第二组的t细胞相关的图像数据上训练，其中所述图像数据已经通过缩放、偏斜和/或旋转所述图像数据进行操纵。6.一种将t细胞分类的方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据；从所述图像数据确定所述多个t细胞的每个细胞的一个或多个输入特征，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合；将所述多个t细胞的每个细胞的一个或多个输入特征作为输入应用到被配置为基于所述一个或多个输入特征将所述多个t细胞的每个细胞分类为属于第一组或第二组的过程。7.一种方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据；确定所述多个t细胞的每个细胞属于第一组或第二组的分类；从所述图像数据确定所述多个t细胞的每个细胞的一个或多个输入特征，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合，以及生成具有一个或多个维度的特征图，其中所述一个或多个维度的每个维度与所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所
述图像数据的系统特征或其任何组合中的一个或多个相关；基于所述特征图和所确定的分类训练卷积神经网络。8.根据权利要求6所述的方法，其中：所述过程包括应用使用根据权利要求7所述的方法训练的卷积神经网络；并且将从与所述多个t细胞的每个细胞相关的图像数据确定的所述一个或多个输入特征作为输入应用到所述过程包括将所述一个或多个输入特征应用到所述卷积神经网络。9.一种将t细胞分类的方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据；从所述图像数据确定所述多个t细胞的每个细胞的一个或多个输入特征，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合；将所述多个t细胞的每个细胞的一个或多个输入特征作为输入应用到过程，所述过程包括在从与已知属于第一组的t细胞和已知属于第二组的t细胞相关的图像数据确定的一个或多个输入特征上训练的卷积神经网络，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合，从而将所述多个t细胞中的每一个分类为属于所述第一组或所述第二组。10.一种方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据；确定所述多个t细胞的每个细胞属于第一组或第二组的分类；从所述图像数据确定所述多个t细胞的每个细胞的一个或多个输入特征，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合；在所述输入特征和所确定的分类上训练神经网络。11.根据权利要求6所述的方法，其中：所述过程包括应用使用根据权利要求10所述的方法训练的神经网络；并且将从与所述多个t细胞的每个细胞相关的图像数据确定的所述一个或多个输入特征作为输入应用到所述过程包括将所述一个或多个输入特征应用到所述神经网络。12.一种将t细胞分类的方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据；从所述图像数据确定所述多个t细胞的每个细胞的一个或多个输入特征，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合；将所述多个t细胞的每个细胞的一个或多个输入特征作为输入应用到过程，所述过程包括在从与已知属于第一组的t细胞和已知属于第二组的t细胞相关的图像数据确定的一个或多个输入特征上训练的神经网络，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合，从而将所述多个t细胞的每个细胞分类为属于所述第一组或所述第二组。
13.一种方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据；确定所述多个t细胞的每个细胞属于第一组或第二组的分类；以及确定用于支持向量机的超平面，所述超平面指示在所述第一组与所述第二组之间的决策边界，其中所述超平面是基于从所述多个t细胞的每个细胞的图像数据确定的一个或多个输入特征确定的，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合。14.根据权利要求6所述的方法，其中：所述过程包括利用使用根据权利要求13所述的方法确定的超平面应用支持向量机；并且将从与所述多个t细胞的每个细胞相关的图像数据确定的所述一个或多个输入特征作为输入应用到所述过程包括将所述一个或多个输入特征应用到所述支持向量机。15.一种将t细胞分类的方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据；从所述图像数据确定所述多个t细胞的每个细胞的一个或多个输入特征，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合；将所述多个t细胞的每个细胞的一个或多个输入特征作为输入应用到过程，所述过程包括在从与已知属于第一组的t细胞和已知属于第二组的t细胞相关的图像数据确定的一个或多个输入特征上训练的支持向量机，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合，从而将所述多个t细胞的每个细胞分类为属于所述第一组或所述第二组。16.一种方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据；确定所述多个t细胞的每个细胞属于第一组或第二组的分类；以及确定用于分类过程的随机森林，所述随机森林包括一个或多个决策树，所述分类过程将从与所述多个t细胞的每个细胞相关的图像数据确定的一个或多个输入特征与所述多个t细胞的每个细胞属于所述第一组或属于所述第二组的分类相关联，其中所述一个或多个决策树中的决策树是基于所述多个t细胞的每个细胞的一个或多个输入特征确定的，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合。17.根据权利要求6所述的方法，其中：所述过程包括使用根据权利要求16所述的方法确定的随机森林；并且将从与所述第一t细胞的图像相关的图像数据确定的所述一个或多个输入特征作为输入应用到所述过程包括将所述一个或多个输入特征应用到所述随机森林。
18.一种将t细胞分类的方法，所述方法包括：接收与包含t细胞的细胞群体的多个t细胞的每个细胞相关的图像数据；从所述图像数据确定所述多个t细胞的每个细胞的一个或多个输入特征，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合；将所述多个t细胞的每个细胞的一个或多个输入特征作为输入应用到过程，所述过程包括涉及从与已知属于第一组的t细胞和已知属于第二组的t细胞相关的图像数据确定的一个或多个输入特征的随机森林分类过程，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合，从而将所述多个t细胞的每个细胞分类为属于所述第一组或所述第二组。19.根据权利要求6-18中任一项所述的方法，其中所述图像数据包括相位图像数据、强度图像数据和叠加图像数据中的一个或多个。20.根据权利要求1-19中任一项所述的方法，其中所述图像数据是相位图像数据和强度图像数据。21.根据权利要求1-20中任一项所述的方法，其中所述图像数据是相位图像数据。22.根据权利要求1-21中任一项所述的方法，其中所述多个t细胞包括包含t细胞的细胞群体中约或至少70％、75％、80％、85％、90％、91％、92％、93％、94％、95％、96％、97％、98％、99％或100％的t细胞。23.一种生成用于训练机器学习模型的细胞数据集的方法，所述方法包括：(a)提供包含至少第一和第二不同细胞类型的混合细胞群体，其中至少所述第一细胞类型表达不被所述混合细胞群体中的其他细胞类型表达的至少一种表面分子；(b)使所述混合细胞群体与可逆地结合至多个第一结合剂的第一多聚化试剂接触，所述第一结合剂中的每一个包含能够结合由所述第一细胞类型表达的表面分子的单价结合位点；以及(c)通过基于免疫亲和力的色谱法分离与所述第一结合剂结合的第一细胞类型的一个或多个细胞，从而获得第一细胞数据集，其中所述分离是在可逆地从所述第一结合剂解离所述第一多聚化试剂的条件下进行的；其中所述第一细胞数据集基本上不含所述第一多聚化试剂和所述第一结合剂。24.根据权利要求23所述的方法，其中所述至少一种第一细胞类型表达重组表面分子。25.根据权利要求24所述的方法，其中所述重组表面分子是重组受体。26.根据权利要求25所述的方法，其中所述重组受体是嵌合抗原受体或t细胞受体。27.根据权利要求23-26中任一项所述的方法，其中在(c)之前，所述方法产生不与所述第一结合剂结合的第二细胞群体，所述第二细胞群体包含不表达由所述第一细胞类型表达的表面分子的细胞，从而获得第二细胞数据集。28.根据权利要求23-27中任一项所述的方法，其中所述第一细胞类型和所述第二细胞类型中的每一种表达不被所述混合细胞群体中的其他细胞类型表达的至少一种表面分子。29.根据权利要求23-28中任一项所述的方法，所述方法进一步包括：(d)使所述混合细胞群体与可逆地结合至多个第二结合剂的第二多聚化试剂接触，所
述第二结合剂中的每一个包含能够结合由所述第二细胞类型表达的表面分子的单价结合位点；以及(e)通过基于免疫亲和力的色谱法分离与所述第二结合剂结合的第二细胞类型的一个或多个细胞，从而获得第二细胞数据集，其中所述分离是在可逆地从所述第二结合剂解离所述第二多聚化试剂的条件下进行的；其中所述第二细胞数据集基本上不含所述第二多聚化试剂和所述第二结合剂。30.根据权利要求29所述的方法，其中所述混合细胞群体进一步包含第三细胞类型，所述第三细胞类型表达不被所述混合细胞群体中的其他细胞类型表达的至少一种表面分子，并且所述方法进一步包括：(f)使所述混合细胞群体与可逆地结合至多个第三结合剂的第三多聚化试剂接触，所述第三结合剂中的每一个包含能够结合由所述第三细胞类型表达的表面分子的单价结合位点；以及(e)通过基于免疫亲和力的色谱法分离与所述第三结合剂结合的第三细胞类型的一个或多个细胞，从而获得第三细胞数据集，其中所述分离是在可逆地从所述第三结合剂解离所述第三多聚化试剂的条件下进行的；其中所述第三细胞数据集基本上不含所述第三多聚化试剂和所述第三结合剂。31.根据权利要求23-29中任一项所述的方法，对一种或多种另外的不同细胞类型重复所述方法。32.根据权利要求23-28中任一项所述的方法，其中在(c)之前，所述方法产生不与所述第一结合剂结合的第二细胞群体，所述第二细胞群体包含不表达由所述第一细胞类型表达的表面分子的细胞，并且所述方法进一步包括：(d)使所述第二细胞群体与可逆地结合至多个第二结合剂的第二多聚化试剂接触，所述第二结合剂中的每一个包含能够结合由所述第二细胞类型表达的表面分子的单价结合位点；以及(e)通过基于免疫亲和力的色谱法分离与所述第二结合剂结合的第二细胞类型的一个或多个细胞，从而获得第二细胞数据集，其中所述分离是在可逆地从所述第二结合剂解离所述第二多聚化试剂的条件下进行的；其中所述第二细胞数据集基本上不含所述第二多聚化试剂和所述第二结合剂。33.根据权利要求32所述的方法，其中在(e)之前，所述方法产生不与所述第二结合剂结合的第三细胞群体，所述第三细胞群体包含不表达由所述第一细胞类型和所述第二细胞类型表达的表面分子的细胞，并且所述方法进一步包括：(f)使所述第三细胞群体与可逆地结合至多个第三结合剂的第三多聚化试剂接触，所述第三结合剂中的每一个包含能够结合由所述第三细胞类型表达的表面分子的单价结合位点；以及(g)通过基于免疫亲和力的色谱法分离与所述第三结合剂结合的第三细胞类型的一个或多个细胞，从而获得第三细胞数据集，其中所述分离是在可逆地从所述第三结合剂解离所述第三多聚化试剂的条件下进行的；其中所述第三细胞数据集基本上不含所述第三多聚化试剂和所述第三结合剂。34.根据权利要求23-28、32和33中任一项所述的方法，对一种或多种另外的不同细胞
类型重复所述方法。35.根据权利要求23-34中任一项所述的方法，其中所述第一细胞类型和所述第二细胞类型是(i)cd4 t细胞和(ii)cd8 t细胞中的一种，并且所述第二细胞类型是(i)cd4 t细胞和(ii)cd8 t细胞中的另一种。36.根据权利要求23-35中任一项所述的方法，其中通过将所述细胞添加至包含固定相的色谱柱中进行所述接触，在所述固定相上固定有与所述第一结合剂可逆结合的第一多聚化试剂。37.根据权利要求29-36中任一项所述的方法，其中通过将所述细胞添加至包含固定相的色谱柱中进行所述接触，在所述固定相上固定有与所述第二结合剂可逆结合的第二多聚化试剂。38.根据权利要求30-37中任一项所述的方法，其中通过将所述细胞添加至包含固定相的色谱柱中进行所述接触，在所述固定相上固定有与所述第三结合剂可逆结合的第三多聚化试剂。39.根据权利要求23-38中任一项所述的方法，其中所述分离包括从所述色谱柱洗脱所述细胞。40.根据权利要求23-39中任一项所述的方法，所述方法进一步包括：接收与所述第一细胞数据集的细胞相关的图像数据，所述图像数据包括相位图像数据、强度图像数据和叠加图像数据中的一个或多个。41.根据权利要求27-40中任一项所述的方法，所述方法进一步包括：接收与所述第二细胞数据集的细胞相关的图像数据，所述图像数据包括相位图像数据、强度图像数据和叠加图像数据中的一个或多个。42.根据权利要求30-41中任一项所述的方法，所述方法进一步包括：接收与所述第三细胞数据集的细胞相关的图像数据，所述图像数据包括相位图像数据、强度图像数据和叠加图像数据中的一个或多个。43.根据权利要求23-42中任一项所述的方法，所述方法进一步包括：接收与所述第一细胞数据集的细胞相关的图像数据；从所述图像数据确定一个或多个输入特征，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合。44.根据权利要求27-43中任一项所述的方法，所述方法进一步包括：接收与所述第二细胞数据集的细胞相关的图像数据；从所述图像数据确定一个或多个输入特征，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合。45.根据权利要求30-44中任一项所述的方法，所述方法进一步包括：接收与所述第三细胞数据集的细胞相关的图像数据；从所述图像数据确定一个或多个输入特征，所述一个或多个输入特征包括所述图像数据的形态特征、所述图像数据的光学特征、所述图像数据的强度特征、所述图像数据的相位特征、所述图像数据的系统特征或其任何组合。
46.根据权利要求40、41或42中任一项所述的方法，所述方法进一步包括从所述图像数据生成具有一个或多个维度的特征图；基于所述特征图训练卷积神经网络。47.根据权利要求43、44或45中任一项所述的方法，所述方法进一步包括在所述输入特征上训练神经网络。48.根据权利要求43、44或45中任一项所述的方法，所述方法进一步包括确定与支持向量机相关的超平面，所述确定基于所述一个或多个输入特征。49.根据权利要求43、44或45中任一项所述的方法，所述方法进一步包括确定随机森林的一个或多个决策树，所述确定基于所述一个或多个输入特征。50.根据权利要求1-22和40-49中任一项所述的方法，其中使用差分数字全息显微术(ddhm)获得所述图像数据。51.根据权利要求1-22和40-50中任一项所述的方法，其中使用约20x的物镜获得所述图像数据。52.根据权利要求1-22和40-51中任一项所述的方法，其中使用ccd相机获得所述图像数据。53.根据权利要求6-22和43-52中任一项所述的方法，其中所述一个或多个输入特征包括以下中的一个或多个：所述细胞的纵横比、细胞深度、细胞的面积、细胞描述符、细胞标识符、图像标识符、对象标识符、沿x轴的质量中心、沿y轴的质量中心、所述细胞的圆度、所述细胞的紧密度、归一化纵横比、所述细胞的伸长率、所述细胞的直径、峰直径、hu不变矩1、hu不变矩2、hu不变矩3、hu不变矩4、hu不变矩5、hu不变矩6、hu不变矩7、平均强度对比度、平均熵、平均强度、平均强度均匀性、所述细胞的图像的强度对比度、所述细胞的图像的强度相关性、所述细胞的图像的强度熵、所述细胞的图像的强度同质性、所述细胞的最大强度、所述细胞的平均强度、所述细胞的最小强度、所述细胞的图像的强度偏斜度、所述细胞的图像的强度平滑度、所述细胞的图像的强度方差、所述细胞的图像的强度均匀性、所述细胞的强度最大的平面、细胞位于视场边界的指示、折射峰位于视场边界的指示、所述细胞的质量偏心率、以弧度计的所述细胞的最大光学高度、以微米计的所述细胞的最大光学高度、以弧度计的所述细胞的平均光学高度、以微米计的所述细胞的平均光学高度、所述细胞的归一化光学高度、以弧度计的所述细胞的最小光学高度、以微米计的所述细胞的最小光学高度、以弧度计的所述细胞的图像相位的光学高度的方差、以微米计的所述细胞的图像相位的光学高度的方差、所述细胞的光学体积、所述细胞的折射峰面积、通过所述细胞的面积归一化的折射峰面积、所述细胞的折射峰数量、所述细胞的折射峰强度、所述细胞的归一化折射峰高度、周长、所述细胞的相位图像的平均强度对比度、所述细胞的相位图像的平均熵、所述细胞的平均相位、所述细胞的平均相位均匀性、所述细胞的相位强度对比度、所述细胞的相位相关性、所述细胞的相位熵特征、所述细胞的相位同质性、所述细胞的相位偏斜度、所述细胞的相位平滑度、所述细胞的相位均匀性、所述细胞的半径的平均值、所述细胞的半径的方差以及所述细胞的归一化半径方差。54.根据权利要求6-22和43-53中任一项所述的方法，其中所述输入特征包括约或至少70、65、60、55、50、45、40、35、30、25、20、15、10、9、8、7、6、5、4、3、2或1个输入特征。55.根据权利要求6-22和43-54中任一项所述的方法，其中所述输入特征包括约1至约
70、约1至约60、约1至约50、约1至约40、约1至约30、约1至约20、约1至约15、约1至约10或约1至约5个输入特征。56.根据权利要求6-22和43-55中任一项所述的方法，其中所述输入特征包括少于或少于约70、65、60、55、50、45、40、35、30、25、20、15、10或5个输入特征。57.根据权利要求6-22和43-56中任一项所述的方法，其中所述输入特征包括少于或少于约20、15、10或5个输入特征。58.根据权利要求6-22和43-57中任一项所述的方法，其中所述一个或多个输入特征是所述图像数据的形态特征，所述形态特征选自以下中的一个或多个：所述细胞的纵横比、所述细胞的面积、所述细胞的圆度、所述细胞的紧密度、归一化纵横比、所述细胞的伸长率、所述细胞的直径、hu不变矩1、hu不变矩2、hu不变矩3、hu不变矩4、hu不变矩5、hu不变矩6、hu不变矩7、周长、所述细胞的半径的平均值、所述细胞的半径的方差和归一化半径方差。59.根据权利要求6-22和43-58中任一项所述的方法，其中所述一个或多个输入特征是所述细胞的面积。60.根据权利要求6-22和43-59中任一项所述的方法，其中所述一个或多个输入特征是所述图像数据的光学特征，所述光学特征选自以下中的一个或多个：所述细胞的直径、所述细胞的最大强度、所述细胞的平均强度、所述细胞的最小强度、所述细胞的质量偏心率、以弧度计的所述细胞的最大光学高度、以微米计的所述细胞的最大光学高度、以弧度计的所述细胞的平均光学高度、以微米计的所述细胞的平均光学高度、所述细胞的归一化光学高度、以弧度计的所述细胞的最小光学高度、以微米计的所述细胞的最小光学高度、所述细胞的光学体积、所述细胞的折射峰面积、通过所述细胞的面积归一化的折射峰面积、所述细胞的折射峰数量、所述细胞的折射峰强度和所述细胞的归一化折射峰高度。61.根据权利要求6-22和43-60中任一项所述的方法，其中所述输入特征中的一个或多个是所述图像数据的强度特征，所述强度特征选自以下中的一个或多个：平均强度对比度、平均熵、平均强度、平均强度均匀性、所述细胞的图像的强度对比度、所述细胞的图像的强度相关性、所述细胞的图像的强度熵、所述细胞的图像的强度同质性、所述细胞的图像的强度偏斜度、所述细胞的图像的强度平滑度、所述细胞的图像的强度方差、所述细胞的强度最大的平面和所述细胞的图像的强度均匀性。62.根据权利要求6-22和43-61中任一项所述的方法，其中所述一个或多个输入特征是所述图像数据的相位特征，所述相位特征选自以下中的一个或多个：以弧度计的所述细胞的图像相位的光学高度的方差、以微米计的所述细胞的图像相位的光学高度的方差、所述细胞的相位图像的平均强度对比度、所述细胞的相位图像的平均熵、所述细胞的平均相位、所述细胞的平均相位均匀性、所述细胞的相位强度对比度、所述细胞的相位相关性、所述细胞的相位熵特征、所述细胞的相位同质性、细胞的相位偏斜度、细胞的相位平滑度和所述细胞的相位均匀性。63.根据权利要求6-22和43-62中任一项所述的方法，其中所述一个或多个输入特征是或包括所述细胞的相位相关性。64.根据权利要求6-22和43-63中任一项所述的方法，其中所述一个或多个输入是所述图像数据的系统特征，所述系统特征选自以下中的一个或多个：细胞深度、鉴定的细胞、图像标识符、细胞描述符、沿x轴的质量中心、沿y轴的质量中心、对象标识符、细胞位于视场边
界的指示和折射峰位于视场边界的指示。65.根据权利要求6-22和43-64中任一项所述的方法，其中所述一个或多个输入特征是或包括细胞深度。66.根据权利要求1-22和50-65中任一项所述的方法，其中所述第一组和所述第二组通过选自以下的一种或多种细胞属性来定义：活的、死的、cd4 、cd8 、重组受体阳性或重组受体阴性，其中所述第一组和所述第二组包含至少一种不同的属性。67.根据权利要求1-22和50-66中任一项所述的方法，其中所述第一组或所述第二组中的一个包含属性活的并且另一组包含属性死的。68.根据权利要求66或权利要求67所述的方法，其中所述属性死的包括非活细胞和碎片。69.根据权利要求66或权利要求67所述的方法，其中所述属性活的包括单个活细胞或活细胞集群。70.根据权利要求6-22和43-69中任一项所述的方法，其中所述一个或多个输入特征包括所述细胞的相位相关性、所述细胞的面积、所述细胞的折射峰数量、细胞的相位偏斜度、峰直径、通过所述细胞的面积归一化的折射峰面积、所述细胞的半径的方差、所述细胞的图像的强度均匀性、所述细胞的紧密度、所述细胞的相位强度对比度、归一化半径方差和所述细胞的圆度。71.根据权利要求6-22和43-70中任一项所述的方法，其中所述一个或多个输入特征包括所述细胞的相位相关性。72.根据权利要求6-22和43-71中任一项所述的方法，其中所述一个或多个输入特征包括所述细胞的面积。73.根据权利要求6-22和50-66中任一项所述的方法，其中所述第一组或所述第二组中的一个包含属性cd4 并且另一组包含属性cd8 。74.根据权利要求6-22、43-66和73中任一项所述的方法，其中所述一个或多个输入特征包括所述细胞的平均相位均匀性、峰直径、所述细胞的归一化折射峰高度、所述细胞的平均相位、通过所述细胞的面积归一化的折射峰面积、以微米计的所述细胞的最小光学高度、所述细胞的紧密度、所述细胞的圆度、细胞的相位平滑度、所述细胞的图像的强度同质性、所述细胞的强度最大的平面、所述细胞的折射峰面积、所述细胞的相位相关性、细胞深度、细胞的图像的强度对比度、所述细胞的图像的强度均匀性、归一化半径方差、所述细胞的图像的强度平滑度、所述细胞的相位强度对比度、所述细胞的最大光学高度、所述细胞的平均强度对比度、所述细胞的平均强度均匀性、所述细胞的图像的强度偏斜度、hu不变矩1、所述细胞的图像的强度方差、平均熵和所述细胞的图像的强度相关性。75.根据权利要求6-22、43-66、73和74中任一项所述的方法，其中所述一个或多个输入特征包括细胞深度、所述细胞的图像的强度对比度、所述细胞的图像的强度均匀性、归一化半径方差、所述细胞的图像的强度平滑度、所述细胞的相位强度对比度、以微米计的所述细胞的最大光学高度、所述细胞的平均强度对比度、所述细胞的平均强度均匀性、所述细胞的图像的强度偏斜度、hu不变矩1、所述细胞的图像的强度方差、平均熵和所述细胞的图像的强度相关性。76.根据权利要求6-22、43-66和73-75中任一项所述的方法，其中所述一个或多个输入
特征包括细胞深度。77.根据权利要求6-22、43-66、73和74中任一项所述的方法，其中所述一个或多个输入特征包括所述细胞的平均相位均匀性、峰直径、所述细胞的归一化折射峰高度、所述细胞的平均相位、通过所述细胞的面积归一化的折射峰面积、以微米计的所述细胞的最小光学高度、所述细胞的紧密度、所述细胞的圆度、细胞的相位平滑度、所述细胞的图像的强度同质性、所述细胞的强度最大的平面、所述细胞的折射峰面积和所述细胞的相位相关性。78.根据权利要求6-22和50-66中任一项所述的方法，其中所述第一组或所述第二组中的一个包含属性重组受体阳性并且另一组包含属性重组受体阴性。79.根据权利要求1-78中任一项所述的方法，其中所述包含t细胞的细胞群体包括从生物样品富集或纯化的t细胞群体或任选地通过混合从生物样品富集或纯化的t细胞群体获得的混合t细胞亚型群体。80.根据权利要求79所述的方法，其中所述生物样品包括全血样品、血沉棕黄层样品、外周血单个核细胞(pbmc)样品、未分级t细胞样品、淋巴细胞样品、白细胞样品、单采术产物或白细胞单采术产物。81.根据权利要求1-80中任一项所述的方法，其中所述包含t细胞的细胞群体包含从受试者获得的原代细胞。82.根据权利要求1-81中任一项所述的方法，其中所述包含t细胞的细胞群体包括用包含重组受体的载体转导的t细胞群体。83.根据权利要求1-82中任一项所述的方法，其中从中对一种或多种t细胞分类的t细胞群体包括经历制造以生成治疗性t细胞组合物的t细胞群体。84.根据权利要求1-83中任一项所述的方法，其中已知属于第一组的t细胞和已知属于第二组的t细胞是或包括正在经历制造以生成治疗性t细胞组合物的t细胞。85.根据权利要求84所述的方法，其中已知属于第一组的t细胞和已知属于第二组的t细胞的制造与从中对一种或多种t细胞分类的t细胞群体的制造是相同的或几乎相同的。86.根据权利要求83-85中任一项所述的方法，其中所述制造包括在用包含重组受体的载体转导所述t细胞群体之后的孵育步骤。87.根据权利要求24-66和78-86中任一项所述的方法，其中所述重组受体是嵌合抗原受体(car)。88.根据权利要求86或权利要求87所述的方法，其中包含t细胞的细胞群体的所述一种或多种t细胞是在所述孵育步骤期间的不同时间点进行分类。89.根据权利要求86或权利要求87所述的方法，其中包含t细胞的细胞群体的所述一种或多种t细胞是在所述孵育期的持续时间内进行连续分类。90.根据权利要求1-22和50-89中任一项所述的方法，其中将包含t细胞的细胞群体的所述一种或多种t细胞分类发生在封闭系统中。91.根据权利要求90所述的方法，其中所述封闭系统是无菌的。92.根据权利要求90或权利要求91所述的方法，其中所述封闭系统是自动化的。

技术总结
提供了用于使用机器学习方法将细胞如T细胞分类的方法。所述方法可以用于将混合细胞群体中的不同细胞子集或类型分类。体中的不同细胞子集或类型分类。体中的不同细胞子集或类型分类。


技术研发人员：I
受保护的技术使用者：朱诺治疗学股份有限公司
技术研发日：2020.08.28
技术公布日：2022/6/7