一种AI工具用于量化微流控 assay中红细胞 sickling动力学
计算机视觉与模式识别
2026-02-06 v2
摘要
理解梅毒细胞动力学需要准确识别不同生物力学条件下的形态转换，尤其是在密集且重叠的细胞群体中。本文提出了一个自动化深度学习框架，集成了AI辅助标注、分割、分类和实例计数，用于对时序显微镜数据中不同密度条件下的红细胞(RBC)群体进行量化。实验图像使用Roboflow平台进行标注，以生成用于训练nnU-Net分割模型的标记数据集。经过训练的网络可预测梅毒细胞比例的时间演化，而基于水位变异算法则解决了细胞重叠问题，以增强量化精度。尽管仅需少量标记数据即可进行训练，该框架实现了高分割性能，有效解决了稀缺人工标注和细胞重叠等挑战。通过定量跟踪RBC形态的动态变化，该方法可通过密集细胞悬液显著提高实验throughput，捕捉药物依赖的sickling行为，并揭示细胞形态演化的独特生物力学特征。总体而言，该AI驱动的框架为探讨细胞生物力学并评估微生理系统中的治疗疗效提供了一个可扩展且可重复的计算平台。
引用
@article{arxiv.2601.17703,
title = {An AI-enabled tool for quantifying overlapping red blood cell sickling dynamics in microfluidic assays},
author = {Nikhil Kadivar and Guansheng Li and Jianlu Zheng and Ming Dao and George Em Karniadakis and Mengjia Xu},
journal= {arXiv preprint arXiv:2601.17703},
year = {2026}
}