顶级模型决策树：为低剂量和超低剂量冷冻电镜中可靠定量分析选择分割模型

深度学习神经网络为低对比度冷冻电子显微镜（cryoEM）图像分割提供了一种强有力的方法。然而，模型性能会随着成像条件的不同而显著变化，并可能阻碍后续的定量分析。在此，我们提出了一种结构化评估流程，用于基于性能、推理速度、跨成像条件的稳健性以及下游定量测量的可靠性，对分割模型进行系统筛选。以细菌细胞包膜厚度工具（Bacterial Cell Envelope Thickness Tool, BCET）为测试案例，我们评估了多种架构（YOLOv11、YOLO26、U-Net、Detectron2 和 SAM3）在低剂量和超低剂量 cryoEM 条件下的表现。尽管若干模型取得了较高的评价指标，但模型选择会强烈影响下游对包膜厚度的测量。针对高 F1 分数进行优化的模型，可能由于目标拥挤、插值伪影或成像条件而产生不可靠的分割掩膜。我们的结果揭示了不同模型在性能、速度和稳健性之间存在明显权衡。YOLOv11 为定量测量提供了最高保真度的膜分割，而基于 Meta 的模型 SAM3 则在超低剂量条件下表现出更强的稳健性，并具有有竞争力的推理性能。本研究为 cryoEM 工作流程中的模型选择提供了实用指导，强调最佳选择取决于实验优先事项和下游分析需求，而非仅仅依赖评价指标。这些发现对于 cryoEM 工作流程具有广泛意义，尤其是在基于人工智能的分析正不断扩展到生物科学之外的背景下。

深度学习神经网络为低对比度冷冻电子显微镜（cryoEM）图像分割提供了一种强有力的方法。然而，模型性能会因成像条件不同而显著变化，并可能妨碍后续的定量分析。在此，我们提出了一套结构化评估流程，用于基于性能、推理速度、跨成像条件的稳健性以及下游定量测量的可靠性，对分割模型进行系统筛选。以细菌细胞包膜厚度工具（Bacterial Cell Envelope Thickness Tool, BCET）为测试案例，我们在低剂量和超低剂量cryoEM条件下评估了多种架构（YOLOv11、YOLO26、U-Net、Detectron2和SAM3）。尽管若干模型取得了较高的评估指标，但模型选择会显著影响包膜厚度的下游测量结果。针对高F1分数优化的模型，可能由于目标拥挤、插值伪影或成像条件而生成不可靠的分割掩膜。我们的结果揭示了不同模型在性能、速度和稳健性之间的明显权衡。YOLOv11在用于定量测量的膜分割方面提供了最高保真度，而基于Meta的模型SAM3在超低剂量条件下表现出更强的稳健性，同时保持了有竞争力的推理性能。本研究为cryoEM流程中的模型选择提供了实用指导，强调最优选择取决于实验优先事项和下游分析需求，而不能仅依据评估指标。本研究结果对cryoEM工作流程具有广泛意义，尤其是在基于人工智能的分析正扩展至生物科学之外的背景下。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.05.730486v1?rss=1

🏷️ 冷冻电镜 图像分割 深度学习 定量分析 低剂量成像 模型评估