例如，Kou等人提出的OsteoNet ML框架可从明场图像中预测成骨分化并生成Osteogenic Score，该分值随诱导时间逐渐升高，在第0天和第5天的预测AUC分别达到0.94和0.98，且与RUNX2、OCN、OSX等早期和晚期成骨标志物的RNA及蛋白水平均呈强正相关。北京大学团队开发的基于明场图像的ML模型，通过连续采集干细胞分化全程的明场图像并结合DL算法，实现了对心肌细胞分化效率的非侵入式预测。Park等人提出的HoloFluoNet框架，可从数字全息显微镜相位图像生成虚拟荧光信息，用于细胞核定位、活性评估和类特异性形态分析，为细胞培养过程中的连续、非侵入式监测提供了技术参考。
 

Singh等人全面阐述了AI驱动的质量监控策略，指出AI模型通过分析高分辨率成像和多传感器数据，能够动态追踪关键质量属性，包括细胞形态、增殖率、分化潜能、环境稳定性、遗传完整性及污染风险，实现自动化异常检测、分化追踪和自适应培养优化。赛动智造团队开发的双模型AI系统，通过改进的PreActResNet50网络实现高精度细胞与细胞核实例分割，结合SHAP分析揭示了核质比、细胞偏心率等关键形态特征与免疫调节功能之间的回归关系，在三个独立MSC细胞系测试中平均绝对误差低于6％，并已成功集成于全自动细胞制药产线中实现实时、非侵入式质量监控。
 

出自《AI赋能的眼病精准诊断与再生治疗新进展》作者高娜，代伟，瞿佳。