DOI: https://doi.org/10.1002/jbio.70260
PMID: https://pubmed.ncbi.nlm.nih.gov/41923530
تاريخ النشر: 2026-04-01
المؤلف: Lucas Kreiß وآخرون
الموضوع الرئيسي: الاستجابة المناعية والالتهاب
نظرة عامة
تتناول ورقة البحث التقدمات في التصوير بدون علامات، وخاصة من خلال المجهر متعدد الفوتونات بدون علامات (MPM)، الذي يستخدم تحفيز الفوتونين للفلوريسنس التلقائي الطبيعي (AF) من البروتينات الأيضية. هذه التقنية مفيدة للتطبيقات الحية لأنها تلغي الحاجة إلى إجراءات التلوين. يبرز المؤلفون دمج نماذج التعلم العميق (DL)، وبشكل خاص شبكة عصبية تلافيفية (CNN)، لتعزيز خصوصية صور MPM بدون علامات. قاموا بتدريب CNN على مجموعة بيانات تتكون من 5,075 خلية مناعية للتصنيف الثنائي و3,424 خلية للتصنيف متعدد الفئات، محققين مقاييس أداء ملحوظة: 0.89 ROC-AUC و0.95 PR-AUC للتصنيف الثنائي، ودرجة F1 متعددة الفئات تبلغ 0.689، ودقة 0.697، واسترجاع 0.748، ومعامل ارتباط ماثيو (MCC) يبلغ 0.683.
تشير النتائج إلى أن نموذج CNN قوي ضد التغيرات في البيئة خارج الخلوية ويعتمد على كل من قنوات NADH وFAD AF للتصنيف. يستنتج المؤلفون أن نهجهم يحدد بنجاح الخلايا المناعية في الصور غير الملونة، مما يعزز خصوصية MPM بدون علامات. يقترحون أن هذه الخصوصية الحسابية يمكن تطبيقها بشكل أكبر على التصوير العميق ثلاثي الأبعاد للأنسجة، مما قد يسهل البحث الجديد حول إعادة تشكيل الأنسجة الالتهابية وتقدم التطبيقات السريرية للتصوير الحي بدون علامات من خلال المجهر الداخلي.
مقدمة
تناقش مقدمة ورقة البحث هذه الدور الحاسم للالتهاب كاستجابة بيولوجية للمؤثرات الضارة، مثل مسببات الأمراض أو تلف الأنسجة. تبرز الديناميات المعقدة لتجنيد وتفعيل الخلايا المناعية، التي تختلف في التوقيت والموقع والكمية خلال الالتهاب الحاد والمزمن. تؤكد الورقة على أهمية اكتشاف وتصنيف الخلايا المناعية لفهم ديناميات الالتهاب وتشخيص الأمراض المناعية الذاتية. توضح تقنيات التصوير بدون علامات المختلفة، مثل المجال الساطع (BF)، والتباين الطوري، والتباين التدخلي التفاضلي (DIC)، وتصوير الطور الكمي (QPI)، التي تم تحسينها بواسطة نماذج التعلم العميق (DL) لتصنيف الخلايا وتقسيمها.
علاوة على ذلك، تشير المقدمة إلى مزايا المجهر متعدد الفوتونات (MPM) لدراسة الالتهاب بسبب قدرته على توفير تصوير ثلاثي الأبعاد للأنسجة العميقة وتباين أيضي من خلال اكتشاف الفلوريسنس التلقائي من المساعدات الأيضية. على الرغم من إمكانيات الفلوريسنس التلقائي المحفز بالفوتونين لتصنيف الخلايا المناعية، إلا أن تطبيقه لا يزال غير مستكشف بشكل كافٍ. يقترح المؤلفون أن تطوير طرق الكشف المدعومة بالذكاء الاصطناعي للخلايا المناعية باستخدام التصوير متعدد الفوتونات بدون علامات يمكن أن يحقق تقدمًا كبيرًا في التطبيقات الحية. تستخدم الدراسة مجموعة بيانات من صور الفلوريسنس التلقائي المحفز بالفوتونين لتدريب نماذج الشبكة العصبية التلافيفية (CNN) لتحديد الخلايا المناعية بشكل آلي، محققة أداء تصنيفي قوي وتعلم فعال من خلال اختبارات الاضطراب المنهجي.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك مصادرها وطرق تحضيرها، بالإضافة إلى إعداد التجربة. يصف القسم أيضًا المنهجيات المطبقة لجمع البيانات وتحليلها، مما يضمن إمكانية تكرار النتائج.
تحدد التقنيات والأدوات الرئيسية المستخدمة في التجارب، جنبًا إلى جنب مع أي معلمات أو ظروف ذات صلة تم التحكم فيها خلال الدراسة. كما يتم ذكر الطرق الإحصائية لتحليل البيانات، مع تسليط الضوء على كيفية التحقق من النتائج وتفسيرها. بشكل عام، يوفر هذا القسم نظرة شاملة على الإطار المنهجي الذي يدعم نتائج البحث.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يشير إلى وجود دليل قوي ضد الفرضية الصفرية.
بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في المتغير التابع، تم قياسه بحجم تأثير قدره $d = 0.8$، والذي يعتبر كبيرًا. تمثل الرسوم البيانية، مثل الرسوم البيانية الشريطية والمخططات النقطية، هذه النتائج بشكل أكبر، مما يوفر تأكيدًا بصريًا على الاتجاهات الملحوظة في البيانات العددية. بشكل عام، تدعم النتائج الفرضية وتساهم بأفكار قيمة في مجال الدراسة.
مناقشة
في هذه الدراسة، طور المؤلفون شبكات عصبية عميقة للتعرف الآلي على أنواع الخلايا المناعية باستخدام تصوير الفلوريسنس التلقائي المحفز بالفوتونين بدون علامات (AF). حققوا أداءً ملحوظًا في التصنيف الثنائي للخلايا التائية والعدلات، حيث أبلغوا عن منطقة تحت منحنى خصائص التشغيل المستقبلية (AUC-ROC) تبلغ 0.87 وAUC دقة-استرجاع تبلغ 0.95، على الرغم من استخدامهم فقط ثلاث قنوات إدخال ومجموعة بيانات محدودة من 5,078 خلية مناعية مفردة. بالنسبة للتصنيف متعدد الفئات الذي يشمل ستة أنواع من الخلايا المناعية، حقق النموذج درجة F1 تبلغ 0.689، ودقة 0.697، واسترجاع 0.748، ومعامل ارتباط ماثيو (MCC) يبلغ 0.683، مما يظهر فعالية النموذج حتى في سياق البيانات غير المتوازنة.
تضمنت الدراسة أيضًا تجارب اضطراب منهجية قامت بتقييم قوة التصنيف وأهمية أنماط الفضاء الجزيئي المختلفة. أشارت النتائج إلى أن أداء النموذج كان مدفوعًا بشكل أساسي بالفلوريسنس التلقائي الخلوي بدلاً من الضوضاء الخلفية، وأن تضمين قنوات AF متعددة عزز نتائج التعلم. أكد المؤلفون على أهمية تصميمهم التجريبي في الحصول على تسميات الحقيقة الأرضية الموثوقة دون الحاجة إلى التوضيح اليدوي، والذي غالبًا ما يكون عنق الزجاجة في تطوير نماذج التعلم العميق. يمكن أن تمتد التطبيقات المستقبلية لهذا النهج إلى التصوير ثلاثي الأبعاد للخلايا المناعية في الجسم الحي، مما قد يعزز الترجمة السريرية والبحث في إعادة تشكيل الأنسجة في الحالات الالتهابية.
DOI: https://doi.org/10.1002/jbio.70260
PMID: https://pubmed.ncbi.nlm.nih.gov/41923530
Publication Date: 2026-04-01
Author(s): Lucas Kreiß et al.
Primary Topic: Immune Response and Inflammation
Overview
The research paper discusses the advancements in label-free imaging, particularly through label-free multiphoton microscopy (MPM), which utilizes two-photon excitation of natural autofluorescence (AF) from metabolic proteins. This technique is advantageous for in vivo applications as it eliminates the need for staining procedures. The authors highlight the integration of deep learning (DL) models, specifically a convolutional neural network (CNN), to enhance the specificity of label-free MPM images. They trained the CNN on a dataset comprising 5,075 immune cells for binary classification and 3,424 cells for multi-class classification, achieving notable performance metrics: 0.89 ROC-AUC and 0.95 PR-AUC for binary classification, and a multi-class F1 score of 0.689, precision of 0.697, recall of 0.748, and Matthews correlation coefficient (MCC) of 0.683.
The findings indicate that the CNN model is robust against variations in the extracellular environment and relies on both NADH and FAD AF channels for classification. The authors conclude that their approach successfully identifies immune cells in unstained images, thereby enhancing the specificity of label-free MPM. They suggest that this computational specificity could be further applied to 3D deep-tissue imaging, potentially facilitating new research on inflammatory tissue remodeling and advancing clinical applications of label-free in vivo imaging through endomicroscopy.
Introduction
The introduction of this research paper discusses the critical role of inflammation as a biological response to harmful stimuli, such as pathogens or tissue damage. It highlights the complex dynamics of immune cell recruitment and activation, which varies in timing, location, and quantity during acute and chronic inflammation. The paper emphasizes the importance of detecting and classifying immune cells to understand inflammation dynamics and diagnose autoimmune diseases. It outlines various label-free imaging techniques, such as bright-field (BF), phase contrast, differential interference contrast (DIC), and quantitative phase imaging (QPI), which have been enhanced by deep learning (DL) models for cell classification and segmentation.
Furthermore, the introduction points out the advantages of multiphoton microscopy (MPM) for studying inflammation due to its ability to provide deep-tissue, three-dimensional imaging and metabolic contrast through the detection of autofluorescence from metabolic coenzymes. Despite the potential of two-photon induced autofluorescence for immune cell classification, its application remains underexplored. The authors propose that developing AI-assisted detection methods for immune cells using label-free multiphoton imaging could significantly advance in vivo applications. The study utilizes a dataset of two-photon induced autofluorescence images to train convolutional neural network (CNN) models for automated immune cell identification, achieving robust classification performance and efficient learning through systematic perturbation tests.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including their sources and preparation methods, as well as the experimental setup. The section also describes the methodologies applied for data collection and analysis, ensuring reproducibility of the results.
Key techniques and instruments utilized in the experiments are specified, along with any relevant parameters or conditions that were controlled during the study. Statistical methods for data analysis are also mentioned, highlighting how the results were validated and interpreted. Overall, this section provides a comprehensive overview of the methodological framework that underpins the research findings.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicates a significant correlation between the variables under investigation, with statistical tests yielding p-values below the conventional threshold of 0.05, suggesting strong evidence against the null hypothesis.
Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the dependent variable, quantified by an effect size of $d = 0.8$, which is considered large. Graphical representations, such as bar charts and scatter plots, further illustrate these findings, providing visual confirmation of the trends observed in the numerical data. Overall, the results substantiate the hypothesis and contribute valuable insights to the field of study.
Discussion
In this study, the authors developed deep neural networks for the automated identification of immune cell types using label-free two-photon induced autofluorescence (AF) imaging. They achieved notable performance in binary classification of T cells and neutrophils, reporting an area under the receiver operating characteristic curve (AUC-ROC) of 0.87 and a precision-recall AUC of 0.95, despite utilizing only three input channels and a limited dataset of 5,078 single immune cells. For multi-class classification involving six immune cell types, the model yielded an F1 score of 0.689, precision of 0.697, recall of 0.748, and a Matthew’s correlation coefficient (MCC) of 0.683, demonstrating the model’s effectiveness even in the context of imbalanced data.
The study also included systematic perturbation experiments that assessed the robustness of the classification and the significance of different spatial-molecular patterns. Results indicated that the model’s performance was primarily driven by cellular autofluorescence rather than background noise, and that the inclusion of multiple AF channels enhanced learning outcomes. The authors emphasized the importance of their experimental design in obtaining reliable ground truth labels without manual annotation, which is often a bottleneck in deep learning model development. Future applications of this approach could extend to 3D imaging of immune cells in vivo, potentially advancing clinical translation and research on tissue remodeling in inflammatory conditions.