利用多任务学习实现无标记单细胞表型分析
计算机视觉与模式识别
2026-05-15 v1 人工智能
摘要
无标记单细胞成像为基于荧光的流式细胞术提供了一种可扩展、非侵入性的替代方案，然而直接从明场形态推断分子表型仍然具有挑战性。我们提出了一个统一的深度学习（DL）框架，该框架从无标记的微分相衬（DPC）图像中联合执行白细胞（WBC）分类与连续蛋白质表达回归。我们的模型采用混合架构，通过可学习的跨分支门控模块将卷积细粒度纹理特征与基于 Transformer 的全局表示相融合，从而实现对 DPC 图像的稳健形态-分子推断。为了支持下游的可解释性，我们进一步引入了大型语言模型（LLM），用于生成对预测细胞状态的简明且具生物学依据的总结。在 Berkeley Single Cell Computational Microscopy (BSCCM) 和 Blood Cells Image 基准上的实验表明该模型表现优异，在 BSCCM 上实现了 91.3% 的 WBC 分类准确率以及 CD16 表达回归 0.72 的皮尔逊相关系数。这些结果突显了无标记单细胞成像在具有成本效益的血液学分析中的前景，能够在无需荧光染色的情况下同时实现表型识别与定量生物标志物估计。源代码可在 https://github.com/saqibnaziir/Single-Cell-Phenotyping 获取。
引用
@article{arxiv.2605.14717,
title = {Towards Label-Free Single-Cell Phenotyping Using Multi-Task Learning},
author = {Saqib Nazir and Ardhendu Behera},
journal= {arXiv preprint arXiv:2605.14717},
year = {2026}
}
备注
Accepted in 28th International Conference on Pattern Recognition (ICPR) 2026