深度学习用于紫杉醇暴露分析：一个新的细胞图像数据集与基于注意力的基线模型
计算机视觉与模式识别
2025-08-21 v1
摘要
在细胞水平监测化疗药物紫杉醇的效果对于临床评估和生物医学研究都至关重要。然而，现有的检测方法需要专门的设备、熟练的操作人员和大量的样本制备，这使得它们成本高昂、劳动密集，且不适合高通量或实时分析。深度学习方法在医学和生物图像分析中展现出巨大潜力，能够实现细胞形态的自动化、高通量评估。但目前尚无公开可用的数据集用于细胞对紫杉醇暴露反应的自动化形态学分析。为了填补这一空白，我们引入了一个新的显微图像数据集，该数据集捕捉了用不同浓度紫杉醇处理的C6胶质瘤细胞。为了提供一种有效的紫杉醇浓度分类解决方案，并为该数据集的未来研究建立基准，我们提出了一个名为ResAttention-KNN的基线模型，该模型将ResNet-50与卷积块注意力模块相结合，并在学习到的嵌入空间中使用k-近邻分类器。该模型集成了基于注意力的细化和非参数分类，以增强鲁棒性和可解释性。数据集和实现均已公开发布，以支持可复现性并促进未来基于视觉的生物医学分析研究。
引用
@article{arxiv.2508.14349,
title = {Deep Learning for Taxol Exposure Analysis: A New Cell Image Dataset and Attention-Based Baseline Model},
author = {Sean Fletcher and Gabby Scott and Douglas Currie and Xin Zhang and Yuqi Song and Bruce MacLeod},
journal= {arXiv preprint arXiv:2508.14349},
year = {2025}
}
备注
Accepted to the 2025 IEEE International Workshop on Foundations of Machine Learning for Drug Safety (FMLDS), to appear in November 2025