基于无标签双光子自发荧光和深度学习的免疫细胞检测
机器学习
2026-04-07 v1 光学
摘要
无标签成像因其潜在省去精细染色程序而广受关注，尤其适用于体内应用。无标签多光子显微镜（MPM）即利用天然自发荧光（AF）的双光子激发，来自于基础代谢蛋白，因而适合作为体内内镜成像。深度学习（DL）模型已广泛用于其他光学成像技术，以预测特定目标标注，从而数字化增强这些无标签图像的特异性。然而，这种计算特异性仅在 MPM 上很少被实现。在本工作中，我们使用了来自不同免疫细胞类型的无标签 MPM 图像数据集（用于混合样本中的二分类共计 5,075 个细胞，以及用于多分类任务的 3,424 个细胞），并训练了一个卷积神经网络（CNN）以将这些无标签 AF 作为输入来进行细胞类型分类。一种低复杂度的 SqueezeNet 架构能够实现可靠的免疫细胞分类结果（混合样本二分类：ROC-AUC 为 0.89，PR-AUC 为 0.95；孤立样本六分类：F1 分数为 0.689，精确率为 0.697，召回率为 0.748，MCC 为 0.683）。扰动测试确认该模型未受 extracellular environment（细胞外环境）干扰，且两种输入 AF 通道（NADH 和 FAD）对分类都相当重要。在未来，此类预测性 DL 模型可能直接检测未染色图像中的特定免疫细胞，从而在计算上提升无标签 MPM 的特异性，为体内内镜成像具有巨大潜力。
引用
@article{arxiv.2506.14449,
title = {Detecting immune cells with label-free two-photon autofluorescence and deep learning},
author = {Lucas Kreiss and Amey Chaware and Maryam Roohian and Sarah Lemire and Oana-Maria Thoma and Birgitta Carlé and Maximilian Waldner and Sebastian Schürmann and Oliver Friedrich and Roarke Horstmeyer},
journal= {arXiv preprint arXiv:2506.14449},
year = {2026}
}