用于预测干细胞在分化为胰岛β细胞过程中效率的深度学习

这项研究对未来糖尿病护理的重要性

对于1型糖尿病患者，一个新兴的希望是用被替代的胰岛素分泌细胞来取代长期依赖注射胰岛素的做法。科学家现在可以从患者自身的干细胞培养出这类细胞，但该过程既缓慢又昂贵，且经常以失败告终。本研究展示了人工智能如何在干细胞培养早期通过显微镜图像进行判断，仅用几天时间就能预测哪些批次有望成为高质量的胰岛素分泌细胞，哪些注定会失望——这可能节省时间、经费和宝贵的生物材料。

从皮肤细胞到产胰岛素细胞

在现代细胞疗法研究中，患者的普通成体细胞可以被重新编程回类似干细胞的状态，称为诱导多能干细胞。这些干细胞随后可以被引导通过约一个月的流程分化为胰腺β细胞，即负责释放胰岛素的细胞。理论上，这为1型糖尿病患者提供了一种个性化且不易发生排斥的替代细胞来源。但在实践中，每位患者的干细胞“克隆”表现各异：有些能产生大量健康的β细胞，而有些则很少。由于早期的差异非常微妙，即便是经验丰富的专家也无法可靠地早期判定哪些克隆会表现良好。这种不确定性使研究人员不得不将弱克隆一直培养完成34天的流程，浪费人力并提高成本。

教会电脑识别微妙的细胞模式

作者着手研究一种深度学习系统——其原理类似于图像识别中使用的系统——是否能在简单的、无标记的显微图像中发现早期的视觉线索。他们使用来自六个患者的干细胞克隆，这些克隆都朝着相同的目标细胞类型分化。研究中没有使用有色染色或复杂成像，而是依赖常规的相差显微镜照片，这些照片在分化的最初四天内每小时拍摄一次。随后，每个克隆在第4天用一个已知标记来评估其成功率，该标记与最终能否分化成功能性β细胞相关。研究者根据该标记将克隆分为“好”和“差”两组，并训练神经网络仅从早期图像区分这些组别。

系统预测成功的准确度

研究人员使用基于EfficientNet的深度学习模型，将高分辨率图像切分为较小的片段，并用每个克隆的许多此类片段训练网络。他们从两方面评估性能：单个图像片段被正确分类的频率，以及通过投票机制对整个克隆给出总体预测时的正确率。在分化开始之前拍摄的图像没有可用的视觉差异，但到分化约两天后，网络的预测变得显著准确。在大约53小时处，系统正确识别出96.7%的克隆最终结果，为哪些干细胞批次值得继续培养、哪些可以中止并用新细胞重新开始，提供了有力的早期警示。

计算机在细胞图像中“看到”的内容

为了超越黑箱式的预测，团队使用可解释的人工智能工具和传统图像分析来理解哪些视觉特征起了作用。网络关注区域的热图表明，模型并非关注单个细胞，而是关注细胞片层上更广泛的模式。表现良好的克隆往往形成更连续、均匀的细胞层，而表现不佳的克隆则显示出更多空白斑块或“孔洞”，以及跨越几十到数百微米范围的亮度不均。对图像结构的独立数学分析也支持这一点：对差克隆而言，中等长度尺度上的强度变化更明显，符合斑块状覆盖不均与碎屑存在。模型的解释与诸如亮度方差等简单度量相关，作者还展示了不同图像归一化策略如何根据培养物的清洁度或碎屑多少影响性能。

迈向更高效且更可负担的细胞疗法

这项工作是一个早期但有前景的示例，表明深度学习结合非常简单的活细胞成像，可以作为干细胞生产的自动化早期质量检测工具。通过在仅几天后就标记出弱克隆，这类系统可以减少无谓的培养流程，降低生产患者特异性β细胞的成本，推动1型糖尿病细胞疗法向常规临床应用靠近。尽管该研究仅涉及六个克隆，且需要在更大、更具多样性的数据集上验证，但它表明群体层面的微妙细胞模式含有丰富信息，计算机可以在肉眼尚不能分辨清晰差异之前就加以利用。

引用: Schöb, F.J., Binder, A., Zamarian, V. et al. Deep learning for predicting stem cell efficiency for use in beta cell differentiation. Sci Rep 16, 12788 (2026). https://doi.org/10.1038/s41598-026-42830-3

关键词: 1型糖尿病细胞疗法, 诱导多能干细胞, 深度学习显微镜学, β细胞分化, 基于图像的质量控制