Regularized Single-cell Imaging Enables Generalizable AI models for Stain-free Cell Viability Screening
Notice bibliographique
Résumé
Abstract Cell viability assays are essential tools in biomedical research and drug development. Artificial intelligence (AI) offers the potential to simplify these assays by predicting cell viability directly from brightfield microscopy images, but current models lack generalizability across diverse cell types and treatments. Here, we introduce a strategy called “regularized imaging”, where single cells are isolated in nanowells to generate standardized image patches that simplify segmentation and improve training data quality. We trained our model using example images of live and dead cells from a single cell line exposed to four cytotoxic conditions (ethanol, andrographolide, daunorubicin, and serum starvation). Despite this narrow training dataset, the resulting model accurately identified live and dead cells after treatment by previously unseen compounds, successfully replicating dose-response curves comparable to fluorescence live/dead assays. Importantly, this model effectively generalized across diverse cell types, including both adherent and suspension cells. Additionally, microscopy-based cell viability analysis is non-destructive, enabling repeated measurements to perform kinetic studies to distinguish between fast- and slow-acting compounds. Our findings highlight how regularized single cell imaging enables the training of broadly generalizable AI models to recognize biologically relevant cell features for label-free cell screening workflows. One-sentence Summary Regularized single-cell imaging in nanowells enables training of generalizable AI models for accurate, stain-free viability screening across previously unseen cell types and contexts.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».