用于分析癌细胞成像数据中时间与形态学药物效应的自监督学习
定量方法
2022-03-10 v1 人工智能
机器学习
图像与视频处理
摘要
本工作中，我们提出两种新方法，利用成像数据研究不同实验条件引起的时间与形态学表型效应。作为概念验证，我们将其应用于分析 2D 癌细胞培养中的药物效应。我们在含随机增强与多裁剪的 1M 图像数据集上训练卷积自编码器作为特征提取器，并系统地将其与预训练的 SOTA 模型比较。我们进一步以两种方式使用该特征提取器。首先，我们应用基于距离的分析与动态时间规整对 31 种药物的时间模式聚类，识别出可标注药物具有细胞毒性、细胞抑制、混合或无效应的簇。其次，我们实现对抗/正则化学习设置以改进 31 种药物的分类并可视化对改进有贡献的图像区域。我们将 top-3 分类准确率平均提升 8%，并挖掘出形态学特征重要性图示例。我们提供特征提取器与权重以促进生物学中的迁移学习应用。我们还讨论了其他预训练模型的效用及我们的方法对其他类型生物医学数据的适用性。
引用
@article{arxiv.2203.04289,
title = {Self-supervised learning for analysis of temporal and morphological drug effects in cancer cell imaging data},
author = {Andrei Dmitrenko and Mauro M. Masiero and Nicola Zamboni},
journal= {arXiv preprint arXiv:2203.04289},
year = {2022}
}
备注
Accepted to MIDL 2022 conference. 17 pages, 12 figures, 3 tables