基于深度学习的无偏精度评估方法：用于斑马鱼器官发育的毒性研究

《Environmental Science & Technology》：Deep Learning-Enabled Unbiased Precision Toxicity Assessment of Zebrafish Organ Development

　　1. 开发基于U-Net的自动化深度学习模型，用于快速无偏评估毒性效应，在斑马鱼实验中发现传统方法未检测到的不同尺寸银纳米颗粒的器官特异性毒性差异，提升毒性评估的准确性和效率，适用于新兴材料评估。

　　

精确评估毒理学效应仍然是生物医学和环境健康评估中的一个关键瓶颈。传统的毒理学方法依赖于宏观终点和手动图像分析，这限制了对结构损伤的敏感性，并引入了主观偏见。我们开发了一种基于U-Net的自动化深度学习方法，用于精确评估毒效应，并建立了一个客观毒理学分析的通用框架。我们的U-Net模型能够在1分钟内对数千张生物图像进行像素级分割和形态学量化，且无偏见。随后，将该模型应用于区分Ag⁺、15纳米和100纳米银纳米颗粒（AgNPs）在斑马鱼中引起的尺寸依赖性发育毒性，涉及感光细胞层、内丛状层、骨骼肌和脊髓等组织，揭示了传统分析方法无法发现的尺寸依赖性和器官特异性毒性差异。该方法具有广泛应用于其他新兴材料和污染物毒性评估的潜力。我们的模型在提高毒性评估的准确性、效率和重现性方面展现出巨大潜力，为精确的毒理学评估提供了可扩展的应用方案，包括图像分析和评估过程的标准化。