End-to-end plaque counting and virus titration from laboratory plate images with deep learning
本文介绍了 Titra，这是一个端到端的深度学习工作流，实现了从孔洞检测、噬斑分割到 PFU/mL 估算的整个病毒滴度测定过程的全自动化，并证明了其在不同病毒物种和培养板格式下与人工标注具有高度的一致性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在病毒学实验室的静谧角落里，科学家们依靠一种经受住时间考验的方法来测量样本中存在多少具有感染性的病毒。他们在培养皿中培养细胞，引入病毒，然后等待病毒杀死细胞，形成被称为“噬斑”（plaques）的小型、可见的圆圈。每个圆圈都代表一个起始了破坏性连锁反应的单个感染性颗粒。通过计数这些圆圈，研究人员可以计算出病毒浓度，这是理解病毒如何传播或疫苗效果如何的关键数字。几十年来，这种计数一直由肉眼完成，这是一个缓慢且乏味的过程，不仅因人而异，而且容易受到疲劳的影响。挑战始终在于如何找到一种自动化计数的方法，同时又不失去人类专家所提供的精确度，尤其是在圆圈微小、拥挤或模糊的情况下。
一组研究人员现在推出了一种名为 Titra 的全新数字化工作流，它通过拍摄实验室培养板的照片并自动计数这些病毒圆圈，从而一步完成最终病毒浓度的计算。与以往仅处理部分任务（例如仅寻找圆圈或仅进行计数）的工具不同，该系统管理着从原始图像到最终生物学数字的整个过程。研究人员在三种不同病毒的图像上测试了他们的系统：马亚罗病毒（Mayaro virus）、柯萨奇病毒 B3（Coxsackievirus B3）和痘病毒（vaccinia virus）。他们使用了具有不同孔数且在不同光照条件下拍摄的培养板，包括在常规实验室中使用标准智能手机相机拍摄的照片。系统首先识别培养板中的每个孔，然后定位其中每一个病毒圆圈，最后分离相互接触或重叠的圆圈，以确保计数的准确性。
结果显示，自动计数与人类专家的工作表现出了惊人的高度一致性。对于马亚罗病毒和柯萨奇病毒样本，计算机的计数与人工计数几乎完美相关，得出的最终病毒浓度也与手工计算的结果近乎一致。即使对于产生圆圈更小且更拥挤、极难计数的痘病毒，该系统的表现依然强劲，尽管当圆圈过于密集以至于合并成一个整体时，它会遇到些许困难。研究人员发现，虽然计算机有时会犯一些小错误，例如将微小的斑点误认为不存在的圆圈，但这些错误通常是微小的，不会显著改变最终结果。事实上，该系统的表现往往与不同人类专家之间的共识一样可靠，而专家们在面对最模糊或最拥挤的圆圈时，自身有时也会产生分歧。
这种方法之所以特别有用，是因为它不需要昂贵、专门的照相机或完美的实验室照明。该系统旨在使用标准照片运行，使其对于那些不具备高端成像设备的实验室而言也具有易用性。研究人员还将该工具构建在一个基于 Web 的平台中，人类专家可以在其中快速审查计算机的工作成果。如果系统对某个特定圆圈不确定，或者圆圈过于拥挤无法清晰分离，专家可以介入进行修正。这创造了一种伙伴关系：机器负责处理扫描数千张图像的繁重工作，而人类则为困难案例提供监督。这项研究表明，这种混合方法可以在保持科学研究所需的高标准准确性的同时，大幅减少病毒检测所需的时间和精力。
研究人员仔细指出，虽然该系统在不同病毒和培养板类型下都能很好地工作，但它并非适用于所有可能场景的完美解决方案。当病毒圆圈极其密集且重叠时，该系统与肉眼一样，难以区分单个单元。然而，研究表明，即使在这些挑战性条件下，最终的病毒浓度估算仍然是可靠的。这项工作还强调，衡量这样一个系统的成功，需要超越仅仅观察它如何描绘圆圈轮廓；真正的测试在于它产生的最终数字是否符合生物学现实。通过关注准确测量病毒这一最终目标，而非仅仅关注图像处理的技术细节，团队创造了一个弥合复杂人工智能与实际实验室需求之间鸿沟的工具。
这种全新的工作流代表了常规生物测量方式的一种转变，即从纯粹的人力劳动转向一种结合了计算能力与人类判断力的系统。研究人员计划向公众开放其软件和收集的数据，以便其他科学家使用并改进该工具。随着技术的演进，它有可能被改编用于其他类型的生物测定，从而扩大其应用范围。目前，它已成为一种成熟的方法，使枯燥的病毒滴定任务变得更快、更一致，并且让世界各地的实验室都能更轻松地开展这项工作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。