先确定要从类器官数据中判断什么
类器官研究会产生显微图像、功能随时间变化的记录，以及转录组等多种数据。美国北得克萨斯大学（University of North Texas）和雪城大学（Syracuse University）团队在 Bioengineering & Translational Medicine 的综述中，把人工智能（artificial intelligence，AI）的用途分为模型表征、图像分析和功能或药物反应判断，强调分析任务应与实际数据对应。
例如，细胞类型与成熟度的比较可以利用转录组；类器官大小、细胞边界和内部结构需要图像分析；心肌细胞的电压、钙信号和收缩则形成时间序列。它们虽然都可以使用机器学习，训练标签、参照资料及最终评价指标并不相同。
综述以人多能干细胞（human pluripotent stem cells，hPSCs）来源体系为重点，同时引用部分由其分化得到的单细胞模型。这些实例分别涉及模型质量、药物诱发的信号异常和细胞结构变化，性能数据也分别对应分化细胞或三维类器官。
窄屏可横向滑动查看完整图表。
时序分析可识别信号异常，也能评价药物剂量反应
诱导多能干细胞（induced pluripotent stem cells，iPSCs）来源心肌细胞的钙瞬变，可用于识别功能信号异常。综述列举的一项分析以 200 个细胞、1893 个信号峰训练分类器，再用另外 54 个细胞测试，异常检测准确率为 87%。训练集中的细胞数和信号峰数属于不同统计层级。
另一项研究使用携带儿茶酚胺敏感性多形性室性心动过速相关突变的 6 株 iPSC 来源心肌细胞，比较肾上腺素与丹曲林作用下的信号。随机森林将药物反应分为有反应、部分反应及无反应，总体准确率为 65.6%。综述随后介绍的健康与不同疾病背景分类，是另一项分析任务。
电压波形分析则可观察药物剂量增加时，从正常波形转为心律失常或停搏的过程。综述介绍的方法由这些变化估计剂量相关指标，再与游离血药浓度比较，用于药物风险分组。这比仅记录“有无异常”保留了更多随剂量变化的信息。
图像分析同时服务药物检测与模型质控
深度学习可分割图像、追踪细胞或类器官，并分析药物处理后的形态。综述列举了一项对 1280 种生物活性分子的心脏毒性研究，利用图像识别药物引起的结构变化；另有研究以对照与 6-羟基多巴胺处理的中脑类器官进行分类，所报告准确率为 86%。这些均为综述归纳的具体研究结果。
图像任务也包括判断类器官分化是否达到预期。文中介绍的视网膜类器官分类，将图像分为视网膜、可接受和非视网膜等类别；这类模型有助于在药物比较前筛选研究材料，但分化分类与药效或毒性预测需要分别验证。
综述还讨论无标签图像分析、三维重建及减少扫描次数的潜力。作者指出，将这些方法用于类器官内部结构识别、去噪或合成三维图像的工作当时仍然有限。临床影像或其他细胞体系中的成熟工具，为类器官研究提供线索，但没有自动完成跨体系验证。
可靠性取决于数据和模型实际学到的特征
综述将数据质量列为主要限制。培养和分化批次差异、显微噪声，以及与目标无关但相互关联的特征，都可能影响算法。模型可能利用不相关信息得到很高的表面准确率，因此需要检查其判断依赖了哪些特征。
作者讨论了交叉验证和使用未见数据评价模型的做法，并强调更规范的类器官实验与数据组织。这里需要同时改进生物模型与算法：稳定、可解释的实验信息，才有助于判断模型识别的是药物反应，还是样本来源、图像条件或培养差异。