Deep-LUMEN 以球状体腔体形态补充环孢素效应评价

A549 球状体为明场形态识别提供训练对象

加拿大 McMaster University 团队提出 Deep-LUMEN，用深度学习从明场图像检测球状体并判断是否具有腔体。2020 年 10 月 8 日公开的预印本报告了模型训练与药物测试结果，同研究后来发表于 Lab on a Chip。

模型使用 A549 人肺癌细胞系，在三维基质中形成球状体。它是人源上皮样肿瘤细胞模型；部分球状体形成空腔，另一些为较实心结构，研究以此观察培养环境及药物处理的影响。

团队在多层焦平面获取明场图像，人工标注焦点清楚的球状体。中央出现明显凹陷的对象标为有腔，其他正常球状体标为无腔；失焦、异常形态或单层结构未纳入。荧光染色提供腔体及细胞极性的支持，但算法分析本身使用明场图像。

多层图像与排除失焦对象共同帮助减少重复计数。该策略将三维培养的观察转化为二维图像中的可识别特征，主要任务是定位和二分类，当前尚未直接量化内部腔体体积、完整上皮屏障或组织生理功能。

测试图像比较目标检测性能

预印本方法部分登记 3,617 张训练图像、391 张验证图像和 197 张测试图像。结果部分另以约 4,000 张图描述自建标注集合，并报告 14,993 个无腔及 2,351 个有腔实例。图像数与其中标注的球状体数分别统计。

团队比较 5 个预训练目标检测模型，Faster R-CNN 与 ResNet101 组合的表现较好；再增加图像增强形成最终 Deep-LUMEN。测试中的平均精度均值（mean average precision，mAP）由 73% 增至 83%，其评价采用交并比（intersection over union，IoU）阈值 0.5。

mAP 同时涉及检测位置和类别，83% 描述这一目标检测指标。模型比较和最终模型选择都使用同一组 197 张测试图像，因此属于本研究图像集合内的性能比较，尚未完成新的外部图像验证，也未证明跨设备、跨实验室或其他细胞模型均具有相同表现。

在 25 张图像的计时比较中，采用图形处理器（graphics processing unit，GPU）的算法分析比人工标注快 20 多倍。模型还输出分类置信度，作者观察到它与腔体形成程度有所联系，提出后续可细分腔体发育阶段；当前只采用有腔与无腔两类。

基质比较说明球状体直径与腔体比例提供不同信息

研究比较 Matrigel 与不同纤维蛋白基质中的球状体。各组随培养时间生长，直径没有显著组间差异；10 mg/mL 纤维蛋白条件下，第 8 天的有腔比例低于 Matrigel 条件。只观察直径可能遗漏这种组织形态差别。

图 3 的直径比较登记每组 6–18 个球状体，有腔比例比较登记 n = 3。作者将基质对极性的影响与其中的生物化学信号联系起来，某一种基质成分对这些差异的独立贡献仍需检验。

该比较为药物研究提供了评价背景：同样的细胞生长程度，可以对应不同的组织结构。Deep-LUMEN 对腔体特征的分析补充了尺寸测量，但不取代其他模型身份、活力或功能检测。

环孢素 A 降低有腔比例，尺寸和数量未显著改变

药物验证采用环孢素 A（cyclosporin A，CsA），名义浓度为 0.01、0.1、1 和 10 μM。预印本图 4 说明在培养第 6 天加入药物并观察 7 天，通过每日明场图像比较尺寸、总数及有腔比例。相关图中标注 n = 3，方法说明数量与有腔比例来自 3 个独立样本。

形态统计使用置信度至少 50% 的检测对象，并由边界框估算直径，再筛选有腔类别计算比例。药物效应因此与具体图像检测和纳入规则相联系；若处理使对象失焦或出现异常形态，算法的排除规则也可能影响可分析的对象范围。

10 μM 条件下，给药后 3 天的有腔球状体比例明显下降；同期尺寸及球状体数量没有显著变化。通常随培养推进增加的腔体形成，在该条件下受到影响，因此形态指标揭示了生长指标未显示的药物反应。

作者据此提出，单看生长或传统活力指标可能遗漏环孢素的组织效应。本实验实际比较的是尺寸、数量和有腔比例，没有另测细胞死亡或活力。

研究只使用一种图像细胞分析仪，作者明确提出需要检验其他仪器的对比度和滤光设置是否影响模型迁移。作者公开了训练模型及图像数据，为后续在新样本上比较提供资源。当前结果来自本研究的成像与标注条件，跨设备、其他细胞类型和临床应用仍需继续验证。