胶质母细胞瘤芯片图像的低氧行为参数估计
从活细胞与死细胞荧光分布估计增殖、趋化和低氧阈值，再用数学模型重现芯片中的细胞迁移。
用途与模型
- 研究用途
- 低氧肿瘤模型的定量表征及实验设计中的参数可辨识性分析。
- 模型与细胞来源
- 胶质母细胞瘤微流体培养图像与反应—扩散模型生成的模拟分布；实验图像来自被引原研究。
- 方法版本
- 2021 年模拟训练 CNN 与芯片图像验证版本
- 实验形式
- 二维荧光图像转为一维活/死细胞浓度曲线，CNN 输出 3 个参数，再进入数学模型。
材料与平台
- 图像与数据
- Calcein/PI 活死细胞图像；12,000 组模拟分布和已知参数。
- 计算分析
- 图像滤波/强度平均、卷积神经网络及低氧增殖—迁移模型。
测量指标与分析
- 增殖参数
- 趋化系数
- 低氧阈值
- 活/死细胞分布
- 参数相关性和 RMSE
分开训练、验证和测试模拟数据，测试初始权重与重复随机分割；以真实芯片图像作模型重建和参数敏感性检查。
研究设计与结果
训练集与交叉验证
- 研究设计
- 模拟数据分割、100 次初始化、10 次随机重分割，另比较坏死核心与栅栏状迁移实验。
- 测试范围
- 12,000 组模拟：8,000 训练、2,000 验证、2,000 固定测试。真实数据为文中 2 类芯片实验，不是患者队列。
- 参照体系
- 模拟真值、传统拟合参数及真实活/死细胞曲线。
- 研究结果
- 模拟测试的 3 个参数相关系数均超过 0.99；真实图像可重现迁移分布，但增殖参数出现负值且对当前实验结果影响较弱。
适用条件与研究局限
- 高相关性来自模拟测试集，真实实验的参数可辨识性另行判断。
- 迁移主导的实验不能充分约束增殖参数；换用增殖主导场景需重新验证。
- 本研究没有实测药物反应或临床疗效预测。
来源与原文
- Predicting cell behaviour parameters from glioblastoma on a chip images. A deep learning approach原始研究 · Computers in Biology and Medicine · 2021-06-06