通过 MLOps：面向自动化细胞计数的结构化方法
软件工程
2025-04-30 v1 机器学习
应用物理
摘要
机器学习 (ML) 模型在神经科学、医学研究、制药开发和环境监测等领域的细胞计数应用方面具有巨大潜力。然而，要有效地实现这些模型，需要稳健的运营框架。本文引入了细胞计数机器学习运营 (Cell Counting MLOps, CC-MLOps)，一个综合性的框架，旨在简化 ML 在细胞计数工作流程中的集成。CC-MLOps 涵盖数据访问与预处理、模型训练、监控、可解释性功能以及可持续性考量。通过一个实际案例，我们演示了 MLOps 原则如何提高模型可靠性、减少人为错误，并实现可扩展的细胞计数解决方案。本工作为寻求实施基于机器学习 (ML) 的细胞计数系统的研究人员和实验室专业人员提供了可操作的指导。
引用
@article{arxiv.2504.20126,
title = {Enhancing Cell Counting through MLOps: A Structured Approach for Automated Cell Analysis},
author = {Matteo Testi and Luca Clissa and Matteo Ballabio and Salvatore Ricciardi and Federico Baldo and Emanuele Frontoni and Sara Moccia and Gennario Vessio},
journal= {arXiv preprint arXiv:2504.20126},
year = {2025}
}
备注
21 pages, 4 figures, 1 table