深度学习在生物成像中的应用：我们在学习什么？
计算机视觉与模式识别
2026-03-17 v1 机器学习
摘要
表示学习通过使模型获取高层语义特征，推动了自然图像分析的重大进展。然而，在显微成像中，当前表示学习方法实际学习到了什么，仍然不清楚。在这项工作中，我们对两种最广泛使用且广泛可用的显微成像数据类型进行了系统的表示学习研究，它们代表了生物学中的关键尺度：细胞培养和组织成像。为此，我们在精心策划的基准测试上引入了一组简单但具有揭示性的基线，包括未经训练的模型和细胞组织的简单结构表示。我们的结果令人惊讶地表明，最先进的方法与这些基线的表现相当。我们进一步表明，与自然图像不同，现有模型未能一致地获取高层生物学上有意义的特征。此外，我们证明常用的基准评估指标不足以评估表示质量，往往掩盖了这一局限性。此外，我们研究了与这些基准的详细比较如何提供了解模型优势和弱点的途径，以供进一步改进。总的来说，我们的结果表明，显微图像表示学习的进展不仅需要更强的模型，还需要能够测量实际学习内容的更具诊断性的基准。
引用
@article{arxiv.2603.13377,
title = {Deep Learning for BioImaging: What Are We Learning?},
author = {Ivan Svatko and Maxime Sanchez and Ihab Bendidi and Gilles Cottrell and Auguste Genovesio},
journal= {arXiv preprint arXiv:2603.13377},
year = {2026}
}