《Computers in Biology and Medicine》：Implementation of artificial intelligence to automate physical disector in a fractionator design for quantification of stem cell-derived neurons
编辑推荐：
摘要：准确量化干细胞衍生的多巴胺能神经元对于推进帕金森病（PD）的细胞治疗策略至关重要。传统的手动立体学方法虽然稳健，但耗时且受观察者间变异性的影响，限制了其在临床前和转化研究中的可扩展性。本研究展示了一个基于卷积神经网络（U-net和DeepLabv3+）的
摘要：准确量化干细胞衍生的多巴胺能神经元对于推进帕金森病（PD）的细胞治疗策略至关重要。传统的手动立体学方法虽然稳健，但耗时且受观察者间变异性的影响，限制了其在临床前和转化研究中的可扩展性。本研究展示了一个基于卷积神经网络（U-net和DeepLabv3+）的人工智能（AI）辅助物理分离体工作流程的开发与验证，该流程基于Visiopharm平台，旨在帕金森病大鼠模型中对人胚胎干细胞（hESC）衍生的腹侧中脑多巴胺能（vmDA）神经元进行无偏且高效的量化。该工作流程集成了组织对齐、移植物区域识别以及基于三重免疫荧光标记（TH、FOXA2、HNA）的细胞分割与分类功能。人机回环（human-in-the-loop）审查确保了质量控制，并允许灵活调整免疫染色阈值。通过使用配对数据集评估性能：研究A（训练集、验证集和测试集）和研究B（来自独立实验的样本外测试集）。AI辅助工作流程显示出与人类专家相当的分割和计数准确性，在分割和量化方面均具有高精确度（precision）、灵敏度（sensitivity）和高F1分数。结果显示，在两个研究中，AI辅助与手动量化在总人类细胞和vmDA神经元数量上均无显著差异，且该工作流程将每个移植物的手动分析时间从8小时大幅减少至1小时。初始阶段的模型开发、注释和优化投资耗时数月，被视为一次性基础设施投入。此外，该工作流程的设计通过整合相关标记物使其适用于其他细胞类型。这些发现突显了AI辅助立体学工作流程在临床前研究中加速和规范细胞量化的潜力，并与细胞治疗开发中的转化研究环境具有潜在相关性。
论文解读：基于AI的物理分离体自动化在干细胞衍生神经元量化中的应用
研究背景与意义
帕金森病（PD）是一种进行性神经退行性疾病，其特征是黑质致密部（substantia nigra）中脑多巴胺能神经元的丧失及随之而来的纹状体多巴胺耗竭。目前的治疗方案主要针对症状缓解，缺乏能够逆转疾病进程的手段。利用人胚胎干细胞（hESC）衍生的腹侧中脑多巴胺能（vmDA）祖细胞进行细胞治疗，旨在通过恢复纹状体多巴胺水平和改善运动功能，提供一种潜在的疾病修饰疗法。在此背景下，准确量化移植物衍生的vmDA神经元数量对于临床前疗效评估及转化细胞治疗的剂量设定至关重要。然而，传统的手动立体学计数虽然是三维量化的金标准，但其过程劳动密集、耗时漫长，且易受观察者疲劳、漂移及培训差异的影响，导致变异性增加，严重限制了其在大规模高通量研究中的可扩展性和标准化进程。为了解决这一瓶颈，研究人员开发了结合物理分离体（physical disector）原理与自动化技术的AI辅助工作流程，以期在保证无偏量化的同时大幅提升效率。本研究成果发表于《Computers in Biology and Medicine》。
关键技术方法概述
研究人员构建了一套基于Visiopharm平台的AI辅助物理分离体工作流程。核心技术包括采用卷积神经网络（CNN）架构U-net进行细胞核分割，以及采用DeepLabv3+进行移植物区域识别。工作流程涵盖以下步骤：首先利用TissueAlign模块进行参考切片与查找切片的图像配准；随后通过Graft ROI Outline AI识别移植物区域；接着利用Physical Disector AI在三维空间内区分仅存在于参考切片的细胞核（HNAtop）与同时存在于配对切片的细胞核（HNAboth）；最后通过基于强度阈值的后处理步骤，结合TH和FOXA2的免疫荧光信号对vmDA神经元进行表型分类。研究使用了两个独立的动物实验数据集：研究A（包含24个训练验证大脑和5个测试大脑）和研究B（5个大脑作为样本外测试集），均采用6-羟基多巴胺（6-OHDA）诱导的帕金森病大鼠模型，并接受hESC衍生的vmDA祖细胞移植。
研究结果
3.1 应用AI自动化物理分数体量化vmDA神经元
研究人员成功开发了AI辅助物理分数体工作流程，实现了对RNU大鼠纹状体中干细胞衍生vmDA神经元的半自动、无偏量化。该流程整合了组织对齐、移植物轮廓识别及基于物理分离体原理的细胞核分类，最终通过人机回环进行审查，确保了结果的可靠性。
3.2 移植物ROI轮廓分割性能
用于识别移植物区域的Graft ROI Outline AI表现出色，分割灵敏度达到0.979，精确度0.921，F1分数为0.950，为后续的核分割提供了高质量的感兴趣区域（ROI）。
3.3 物理分离体分割与计数性能
Physical Disector AI的原始U-net分割性能在验证集上显示，HNAtop标签的F1分数为0.70，HNAboth标签为0.81。经过专门的分割清理后处理步骤后，计数性能显著提升，HNAtop的F1分数达到0.85，HNAboth达到0.89。这一结果虽略低于两名人类专家之间的观察者间一致性（F1分别为0.92和0.96），但在生物学可接受范围内。
3.4 AI辅助工作流程提高分析速度
效率对比显示，AI辅助工作流程将每移植物的手动操作时间从8小时缩短至1小时。尽管初始模型开发和验证需要数月的投入，但这被视为一次性基础设施投资。在处理包含多个脑组织块的大规模数据时，该优势尤为明显。
3.5 AI辅助物理分数体工作流程的泛化能力
为了验证工作流的普适性，研究人员在一年后用不同细胞批次进行的独立研究B中进行了测试。结果显示，AI辅助量化与手动量化在总人类细胞数（p=0.46）和总vmDA神经元数（p=0.40）上均无统计学差异，且变异系数（CV）与研究A相当，证明了该方法在不同实验条件下的稳健性。
3.6 移植物体积算法的性能与泛化
针对移植物体积的估算，基于Cavalieri原理开发的Graft Area应用程序在测试集A和B中均与手动测量结果高度一致，无显著差异（研究A p=0.076，研究B p=0.077），进一步证实了AI辅助形态学分析的可靠性。
结论与讨论总结
本研究成功开发并验证了一种基于AI的工作流程，用于在帕金森病大鼠模型中利用物理分离体与分数体设计相结合的方法量化干细胞衍生的多巴胺能神经元。通过在Visiopharm软件平台中集成卷积神经网络（U-net和DeepLabv3+），该工作流程自动化了组织对齐、移植物区域识别以及细胞分割与分类等关键步骤，同时保留了人类专家对免疫染色阈值调整和质量控制的核心监督作用。
研究表明，AI辅助工作流程的性能与人类专家相当，具体表现为具有可比的精确度、灵敏度和F1分数，且在独立研究中对总人类细胞、vmDA神经元及移植物体积的量化均无显著差异。更重要的是，该工作流程将分析时间从每移植物8小时显著减少至1小时，极大地提高了临床前研究的效率。虽然初始阶段需要投入大量资源进行模型开发和优化，但这属于一次性基础设施投入，对于长期的标准化和高通量筛选具有极高的成本效益。
该研究的讨论部分指出，这种半自动化方法不仅解决了传统手动立体学方法的可扩展性问题，还通过人机回环机制确保了结果的透明度和可追溯性。此外，该算法通过整合不同的生物标志物，具备量化其他表型细胞群体的灵活性。尽管当前模型在特定实验条件下表现优异，但若改变细胞分化方案、染色协议或成像设备，仍需进行重新训练和验证。总体而言，这项AI辅助的物理分离体技术为临床前帕金森病研究提供了一种可扩展、高效率且无偏的细胞量化工具，有望成为推动细胞治疗产品从实验室走向临床应用的重要标准化手段。
