利用深度卷积神经网络在微流图像亚可见蛋白聚集体分类中规避形态学特征指定

流式成像显微镜（FIM）在学术界和工业界常用于表征蛋白质治疗药物中的亚可见颗粒（那些尺寸$\le 25 \mu m$者）。制药公司被要求记录蛋白质治疗产品的大量FIM数据，但仅在美国FDA法规（即USP $\big \langle 788 \big \rangle$）下被强制控制递送产品中超过$10$和$25 \mu m$的颗粒数量。因此，有大量数字图像可供分析。当前最先进的方法依赖于相对低维的“形态学特征”列表来表征颗粒，但这些方法忽略了现有大型数字图像库中编码的巨量信息。深度卷积神经网络（CNNs或“ConvNets”）已展示出从原始宏观图像数据中提取预测信息的能力，而无需在各种任务中选择或指定“形态学特征”。然而，蛋白质治疗药物的异质性、多分散性，以及与亚可见FIM颗粒测量相关的光学现象，给CNN应用于FIM图像分析带来了新挑战。在本文中，我们展示了一种利用CNN从原始图像提取信息的监督学习技术，以预测产生各种不同蛋白质图像的过程条件或应力状态（冻融、机械振荡等）。我们证明我们的新分类器（结合样本“图像池化”策略）在给定蛋白质制剂的少至20张FIM图像下，就能在与蛋白质治疗药物质量控制和过程监测相关的多种情景中获得近乎完美的预测。