Framework di Apprendimento Multi-Task per la Fenotipizzazione Cellulare Singola senza Etichette

I ricercatori hanno sviluppato un framework completo di Deep Learning volto a classificare i globuli bianchi e tracciare l'espressione proteica senza la necessità di etichette, utilizzando immagini di Contrasto di Fase Differenziale. Il modello presenta un'architettura ibrida che combina l'analisi dettagliata della texture delle reti convoluzionali con il contesto più ampio fornito dai transformer, utilizzando un modulo di gating cross-branch apprendibile per un'analisi migliorata. Inoltre, un Large Language Model genera riassunti concisi e biologicamente significativi degli stati cellulari previsti. Il framework è stato valutato utilizzando i benchmark Berkeley Single Cell Computational Microscopy e Blood Cells Image, offrendo un'alternativa scalabile e non invasiva alla citometria tradizionale basata su fluorescenza.