Abstract 2311: Precise assessment of cancer cell growth and survival by artificial intelligence
Notice bibliographique
Résumé
Abstract Introduction: Cancer research requires accurate methods for measuring analytical parameters like cell culture confluence, cell count, colony numbers, viability, and motility. These methods must be unbiased and user-independent for reproducible data. Cell analytics involves manual processes (e.g., manual cell counting) or reagent-based approaches (e.g., viability kits). In recent years, semi-automated systems have been introduced that can either count cells, measure cell growth by density tracking, and/or determine cell viability. However, these methods are often time-consuming, require reagents and labeling, and may involve costly instrumentation. Artificial Intelligence (AI) has made strides in clinical and laboratory research, holding promise for swift integration into cancer research. Here, we present the development and validation of SnapCyte™, an AI performing accurate, unbiased, label- and reagent-free cell analytics from basic cell culture images, independent of specialized instrumentation. Materials and Methods: Cell images were generated using diverse cell lines (MCF7, PC3, Hela, Raji⋯) cultured in various vessels with and without treatments (Taxane, Cisplatin, Heatshock⋯). For the cell count dataset, adherent cells were detached using trypsin, stained with trypan blue and loaded into a standard hemocytometer. Images were acquired using the SnapCyte™ adaptor and diverse microscopes (Leica, Hund, Zeiss, Nikon) and cell phones. Multiple datasets of 500 annotated images each were created, with images masked for confluency or for singular live and dead cells by experienced scientists. Object segmentation utilized the UNet architecture for localizing cells in cell culture images and iterative training was applied to achieve the required accuracy. Results: After multiple training iterations, SnapCyte™ AI detection models achieved 99% precision for confluency and >95% precision and recall for cell count. SnapCyte™ surpassed standard methods (Crystal Violet, WST1, MTT, Presto blue, CyQuant, Incucyte®, and Bio-Rad TC20 cell counter), displaying high accuracy and smaller standard error variation than reagent-based assays. Compared to IncuCyte® Bio-Rad TC20, SnapCyte™ demonstrated similar accuracy and greater user-independent results. Furthermore, SnapCyte™ acquired data in under 10 minutes, with non-invasive measurements, allowing direct use of cells in downstream assays. Conclusion: We have developed and validated an AI model for advanced cell analytics. Our data show that the SnapCyte ™ AI is at par or better than existing reagent and instrument-based solutions in assessing cell confluency, number, and viability. This technology offers a fast, accurate, and unbiased cell analytics platform that is resistant to user variations, and independent of reagents and costly equipment. Citation Format: Cheung Pang Wong, Nasrin Khazamipour, Soroush Alibagi, Joya Saade, Daria Golanarian, Negin Farivar, Mads Daugaard, Nader Al Nakouzi. Precise assessment of cancer cell growth and survival by artificial intelligence [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2024; Part 1 (Regular Abstracts); 2024 Apr 5-10; San Diego, CA. Philadelphia (PA): AACR; Cancer Res 2024;84(6_Suppl):Abstract nr 2311.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».