- 2 次围观
深度学习（DL）在自动化预测类器官分化结果方面具有令人振奋的潜力。然而，现有模型在适应性、开放性和性能鲁棒性方面仍存在不足。此外，在湿实验室环境中广泛应用预测模型需要具备机器学习专业知识，而这类知识在以生物学研究为导向的实验室中通常并不易获得。 为提供一种直观的解决方案，我们提出了 ColabViTAMIn-O 这一免代码平台及 ViTAMIn-O 模型。ViTAMIn-O 是一个完全开放的、类器官专用的深度学习模型，在总计 34 类类器官上进行了训练与测试，纳入了跨透射光显微镜（TLM）模态、具有单类器官分辨率的标注图像。该模型能够适应不同数据集规模的下游预测任务，即使仅采用线性探测（linear probing），其性能也优于已有成熟模型。它在小样本框架下表现可靠，甚至还可扩展应用于单个样本水平的人类胚胎 TLM 成像数据。通过发布我们的平台、集中式模型中心和数据集，我们希望推动专用深度学习模型在干细胞实验室中的更广泛部署。
1 德国图宾根大学神经解剖学与发育生物学研究所（INDB），图宾根，德国； 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本作品依据 CC-BY-NC 4.0 国际许可协议 提供。
查看讨论串。 返回顶部 上一页 下一页
发表于 2026 年 6 月 3 日。 下载 PDF 补充材料 数据/代码 电子邮件
感谢您有兴趣传播 bioRxiv 的内容。 您的电子邮件 * 您的姓名 * 发送至 * 请输入多个地址，每行一个，或用逗号分隔。
您将要发送以下内容的电子邮件 ViTAMIn-O：推动基于计算机视觉的机器学习在干细胞研究中的普及化
消息主题 （您的姓名）已从 bioRxiv 转发一个页面给您
消息正文 （您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人消息
验证码 此问题用于测试您是否为人工访问者，并防止自动垃圾信息提交。
分享 ViTAMIn-O：推动基于计算机视觉的机器学习在干细胞研究中的普及化
Ferhat Hamurcu ，Markus Breunig ，Arpad Varga ，Bianka Bosch ，Jessica Lindenmayer ，Anjan Thrishul Kanakapaddy ，Kevin Achberger ，Natalia Pashkovskaia ，Alexander Kleger ，Stefan Liebau ，Stefanie Klingenstein ，Moritz Klingenstein
bioRxiv 2026.06.01.726000； doi： https://doi.org/10.64898/2026.06.01.726000
分享本文： 复制 引文工具
ViTAMIn-O：推动基于计算机视觉的机器学习在干细胞研究中的普及化
Ferhat Hamurcu ，Markus Breunig ，Arpad Varga ，Bianka Bosch ，Jessica Lindenmayer ，Anjan Thrishul Kanakapaddy ，Kevin Achberger ，Natalia Pashkovskaia ，Alexander Kleger ，Stefan Liebau ，Stefanie Klingenstein ，Moritz Klingenstein
bioRxiv 2026.06.01.726000； doi： https://doi.org/10.64898/2026.06.01.726000
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.01.726000v1?rss=1
🏷️ 类器官 干细胞研究 深度学习 计算机视觉 透射光显微成像 少样本学习