类器官药物筛选,AI替你“数数”|东南大学联合艾玮得生物发布轻量化AI检测框架,综合识别精度达93.4%
发布时间:
2026-07-13 00:00
来源:
肿瘤类器官保留了患者原位肿瘤的组织病理学特征与遗传异质性,已在药物筛选和精准医疗中展现出重要价值。但在类器官成像中,一张全景图像可达7,344×6,144像素,包含数千个大小悬殊(25μm∼420μm)、频繁重叠的类器官,传统基于固定锚框的检测器窗口或影响像素,或丢失全局视野,人工目视计数更是耗时且难以跨批次对齐,难以满足药物筛选对通量和可重复性的刚性需求。
2026年7月,东南大学(生物科学与医学工程学院、软件工程学院)联合艾玮得生物(一家专注于类器官与器官芯片技术、提供从体外模型构建、高通量培养到智能成像分析完整解决方案的创新型企业),于《Biomedical Signal Processing and Control》发表“Development of deep learning DTONet for accurate detection of tumor organoids”,提出轻量化AI检测框架 DTONet,综合识别精度达93.4%,对小于50像素的微小类器官识别准确率达89.3%。

核心技术:让AI既看得到全景,又数得清每一颗类器官
DTONet集成了三个精巧模块:
1BiFPN加权双向特征金字塔
引入可学习权重,让模型自主决定不同尺度特征的重要性——既能把握全局的类器官群落分布,又能聚焦微小类器官的边缘纹理。
2DWSE深度可分离重参数化模块
训练时多分支充分学习,推理时融合为单一卷积,计算量骤降,兼顾精度与轻量。
3PPI并行分块推理策略
将全景图的分块与推理从串行改为并行——模型边扫描边计算,整体速度提升约22%。

实验结果
与YOLOv8、YOLOv9、YOLOv10、Faster R-CNN、RT-DETR五种主流模型对比,DTONet检测精度达93.4%,mAP50:95达58.9%,均优于所有对比模型。小目标(<50像素)准确率达89.3%,且仅2.1M参数——Faster R-CNN的参数量是其60倍以上,可在常规工作站部署。

“在生物医学场景中,类器官检测的瓶颈往往不在于‘算不动’,而在于‘看不到’——尤其对生长早期的微小类器官,它们恰是药物响应最敏感的信号。”研究团队指出,“DTONet验证了一条路径:轻量化架构配合多尺度感知设计,可以在不依赖高性能计算集群的前提下,解决全景图像中跨尺度目标的同时检测问题。”
生长早期的小类器官是对药物响应最敏感的信号,但传统方法对不足50像素的目标几乎"视而不见"。与艾玮得生物器官芯片智能分析系统结合的AI模型,让小目标捕捉准确率达到89.3%,让处在关键窗口期的微小类器官也能被稳定捕捉,从"只能看大的"到"大小通吃"。
艾玮得生物器官芯片智能分析系统为 “数得清”搭建标准化方法
本研究中所有全景图像均依托艾玮得生物自主研发的器官芯片智能分析系统完成采集,该系统在研究中承担了多重关键角色:
1、标准化高通量图像数据采集
Z-stack多层聚焦融合与图像全景拼接,统一成像参数确保批次间一致,为AI模型提供高质量数据底座。
2、“培养 — 扫描 — 分析”闭环工作流
打通从“养得好”到“拍得清”再到“数得对”的完整链路。
3、AI工具链迭代平台
统一成像标准让AI算法可直接复用历史数据,降低方法学升级的边际成本。

文献:
Zhang Y, Du X, Li Y, Yang S, Zhou Q, Xu J, Ma Y, Hao H, Li X, Zhang J, Gu Z and Chen Z (2026) Development of deep learning “DTONet” for accurate detection of tumor organoids. Biomedical Signal Processing and Control, 120, 107266.
作为国产器官芯片领域的代表性企业,艾玮得生物已构建覆盖肿瘤、皮肤、心脏、肝脏等多类脏器模型,深度参与器官芯片国家标准编制。依托“器官芯片 + AI”双轮驱动技术体系,艾玮得生物将持续为类器官药物筛选与精准医疗提供从模型构建、高通量成像到智能分析的完整解决方案——无论是对药企的大规模化合物筛选,还是临床端的患者来源类器官药敏检测,艾玮得的标准化平台都在降低AI落地的门槛。
免责声明:艾玮得生物网站专注于推广普及全球器官芯片技术及相关发展情况。本文内容仅为传递信息或行业交流之目的。本文任何内容不应视为广告,也非治疗方案推荐。如需了解确切治疗情况,请向专业医疗/科研机构咨询。
器官芯片,AI,类器官,药物筛选
