Key points are not available for this paper at this time.
고속 생존율 스크리닝은 화학요법 약물의 식별 및 개발에 일반적으로 사용됩니다. 이러한 시스템은 인 비보에서 발생하는 약물 반응을 재현하기 위해 세포 모델 시스템의 신뢰성에 의존합니다. 최근 몇 년 동안, 환자 유래 재료와 다세포 종양 오르가노이드와 같은 고급 세포 배양 기술의 활용이 증가하여 세포 모델 시스템의 번역적 관련성을 더욱 향상시켰습니다. 간단한 정량적 분석은 주로 이질적인 3D 배양에서 강력한 이미지 분할의 어려움 때문에 여전히 도전 과제로 남아 있습니다. 그러나 딥러닝의 발전으로 명시적인 분할이 필요하지 않으며, 연속적(회귀) 또는 범주형 분류 문제 모두에 사용할 수 있습니다. 딥러닝 접근법은 완전히 데이터 기반이며 자동화가 용이하므로 사용자 정의 매개변수가 거의 없이 또는 아예 없이 설정 및 실행할 수 있습니다. 이 기사에서는 환자 유래 오르가노이드의 밝은장 이미지를 기반으로 훈련된 회귀 딥러닝 모델의 개발과 구현을 설명하고, 종단 생존율 판독값(CellTiter-Glo)을 훈련 레이블로 사용합니다. 궁극적으로 이는 오르가노이드 생존율 변화 평가를 위한 비침습적이고 레이블이 없는 도구의 생성을 이끌어냈습니다.
Powell et al. (금요일,)은 이 문제를 연구했습니다.