DILITracer 肝类器官明场图像肝损伤分类
结合肝类器官的多时间点、多焦平面明场图像，对药物相关肝损伤风险进行三分类。
用途与模型
- 研究用途
- 研究肝类器官形态变化与已知药物肝损伤分类之间的关系。
- 模型与细胞来源
- 单供者肝癌旁正常组织来源的人肝类器官，HepG2 球状体作为比较模型。
- 方法版本
- 2025 年 DILITracer 时空图像分类模型
- 实验形式
- 三维肝模型与图像时空编码分析
材料与平台
- 三维肝模型
- 人肝类器官、Matrigel 及 HepG2 球状体。
- 成像与计算
- 明场高内涵成像设备、BEiT-V2 图像编码及空间和时间编码层。
测量指标与分析
- 形态时空特征
- 3 类 DILI 风险标签
- 分类准确率
- 分类别召回率
以 DILIrank 风险信息建立标签，整合不同焦平面和时间点图像；按样本随机划分并进行交叉验证。
研究设计与结果
训练集与交叉验证
- 研究设计
- 比较肝类器官和 HepG2 球状体图像的分类表现。
- 测试范围
- 选择 30 种药物建立实验；肝类器官与 HepG2 图像样本分别为 158 和 478 组。
- 参照体系
- DILIrank 药物标签及 HepG2 球状体图像模型。
- 研究结果
- 肝类器官图像模型总体准确率为 82.34%，HepG2 图像模型为 77.41%；各风险类别表现不同。
适用条件与研究局限
- 肝类器官来自单供者，数据按图像样本划分；论文未登记独立的新药物留出测试集。
来源与原文
- Development of an AI model for DILI-level prediction using liver organoid brightfield images原始研究 · Communications Biology · 2025-06-07