病毒以多种不同的方式影响细胞，包括代谢、信号转导、基因表达、细胞内膜组织、细胞骨架完整性和整体形态，这些变化统称为细胞病变效应（CPE），是病毒感染的标志。传统上检测方法通过细胞培养物中的终点滴定来确定的，需要复杂的处理步骤和人工注释。而在过去十年里，深度学习
（DL） 和卷积神经网络 （CNN） 日益增强了显微镜图像的自动解释，并在细胞和感染生物学中实现了众多应用。Petkidis等人开发了一个人工智能 （AI） 驱动的自动化框架，用于随时检测病毒诱导的细胞病变效应
（DVICE），使用卷积神经网络EfficientNet-B0 和受感染细胞培养物的透射光显微镜图像，专门识别与 CPE 相关的图像区域，并为病毒感染性测量的标准化和自动化开辟了新的方法。

可实现高通量病毒感染读取

图1 病毒感染和数据集组成的自动读取工作流程。B 采集数据集的组成，表示感染孔图像中病毒的比例，以及未感染孔的细胞系。C 不同病毒和未感染图像的细胞汇合度的定量。源自参考文献

如图1A所示，使用上图的传统人工染色和手动注释结果（约占1/3孔）训练下图提出的DVICE检测方法的读取能力。处理的8种不同病毒的图像数量总共包括 58,619 张图像，其中 22,873 张图像（39%）来自感染，35,746 张图像（61%）来自未感染的孔（图1B）。还量化了数据集中的细胞汇合度（图1C），未感染井的中位汇合度最高。然而，对于不同的条件，它显示出很高的组间和组内变异性。组内变异性可能来自连续稀释测定中使用的病毒浓度范围，而组间变异可能是由于 CPE 的病毒特异性表现。

卷积神经网络在感染读数方面达到人类水平的准确性

图2 网络性能。B 感染指数对病毒浓度的依赖性。斑块形成单位（pfu） 的浓度由板注释和孔位置获得。实际值由人类专家注释，预测值由 DVICE 提供。理论曲线由 Poisson 分布提供。C 人工注释（实际）和预测 TCID50 的比较带有线性回归线（红色）的值。阴影区域显示回归曲线的 99.9% 置信区间。源自参考文献

训练后的模型用于感染状态分类和后续的 _TCID50使用特定感染（SIN）方法计算与人工注释相比，DVICE 实现了^{R2= 0.986}，表明实际标签和预测标签之间有很好的一致性。并通过类激活映射（CAM）的程序可视化感染检测的重要区域，证明了DVICE具有识别CPE的强大功能，可以实现可靠的感染检测。

DVICE对不同细胞类型中不同病毒有很高的准确性且表现出病毒类别的特异性

为了检验神经网络在超出训练以外的识别准确性，使用了留一法交叉验证。结果显示 AUROC 值（模型评价值）> 0.7到接近1，这表明不同病毒的性能变化可能归因于 CPE 的性质或特定训练数据集中的图像数量。总体而言，DVICE模型准确性高且有利于应用于不同的程序中使用。

为了检测DVICE是否可以扩展检测感染病毒的特殊性质，在先前生成的图像分割图上训练了 DVICE。使用具有六个输出类别（未感染、AdV、HSV、RV、SARS-CoV-2、VACV）和分类。总体而言，DVICE 的准确度为 0.799 ± 0.025，混淆矩阵的评估表明，DVICE 成功识别了不同的类别，其中AdV识别度最高（图3B）。总体而言，DVICE 对所有病毒都实现了高灵敏度（图3C）。

图3 使用 DVICE 进行病毒类别特异性鉴定。A 用于病毒类别特异性识别的分割图的示例图像。B 混淆矩阵，表示正确（跨对角线）和错误分类的分数。C DVICE 检测病毒类别的灵敏度（真阳性率）和特异性（真阴性率）。源自参考文献

参考文献：Petkidis, A., Andriasyan, V., Murer, L. et al. A versatile automated pipeline for quantifying virus infectivity by label-free light microscopy and artificial intelligence. Nat Commun 15, 5112 (2024). https://doi.org/10.1038/s41467-024-49444-1