Enhanced Precision in Cell Culture Analytics: Leveraging Artificial Intelligence for Unbiased and Non-Destructive Assessment of Cell Growth and Viability.
Notice bibliographique
Résumé
Precise assessment of cell growth, count, and viability is a prerequisite for biological and medical research. Traditional cell analytics involve manual processes, such as cell counting or reagent-based approaches that are user-dependent and prone to bias. Semi-automated systems for counting cells, tracking cell growth, and determining viability have been introduced over the past decades. However, these methods are often time-consuming, require labeling steps, and involve costly instrumentation and consumables. Changes in cell growth and/or viability create biological patterns that can be interpreted by artificial intelligence (AI). Here, we report the development and validation of SnapCyte™, an AI application that performs accurate, unbiased, label- and reagent-free cell analyses from basic cell culture images. Using cell lines with diverse morphologies in various culture conditions, we generated a comprehensive and fully annotated image database that was used for AI education. Convolutional neural networks were employed for cell localization and iterative training loops until a stable performance of >95% accuracy was obtained for all readouts. The fully trained AI demonstrated high Precision and Recall and performed with greater accuracy and less variation as compared to standard methods. As the SnapCyte analyses are performed on cell images only, data acquisition is non-invasive to the experimental setup, enabling real-time use of cells in downstream assays. In summary, SnapCyte is a fast and accurate cell analytics platform, resistant to user variations and independent of reagents or specific equipment, with improved performance over current cell analytics methodologies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».