吳洪基，王海霞，汪 玲，羅小剛，鄒冬玲

1.重慶大學生物工程學院，重慶 400030；

2.重慶大學附屬腫瘤醫(yī)院婦科腫瘤中心，重慶 400030；

3.重慶市卵巢癌專病醫(yī)學研究中心，重慶 400030；

4.重慶大學附屬腫瘤醫(yī)院，腫瘤轉(zhuǎn)移與個體化診治轉(zhuǎn)化研究重慶市重點實驗室，類器官轉(zhuǎn)化研究實驗室，重慶 400030

2009年，Sato等［1］報道了從成人組織中首次成功衍生出類器官，因類器官與對應的人類器官擁有高度相似的組織學特征，并能重現(xiàn)該器官的生理功能，出現(xiàn)在疾病建模的最前沿，成為研究人類疾病的一種有價值、相對不昂貴且便捷的方法。但目前類器官形態(tài)學判讀主要依賴于專家的經(jīng)驗，且類器官研究所產(chǎn)生的高通量數(shù)據(jù)增加了研究的復雜性，對于類器官各種形態(tài)信息、組學信息等的有效整合與分析需要客觀和高效的方法來輔助實現(xiàn)。

人工智能技術，尤其是作為機器學習一支的深度學習，近年來發(fā)展迅速。醫(yī)療數(shù)據(jù)大量產(chǎn)生和積累契合該數(shù)據(jù)驅(qū)動型方法，推動了機器學習在醫(yī)療領域的全面應用，提升了診療的客觀性、準確性和效率。人工智能結合類器官大數(shù)據(jù)將幫助類器官研究專家減少基礎性、重復性工作，并進行更深度的信息挖掘，進而提高類器官自動化和標準化［2］，促進類器官臨床轉(zhuǎn)化和精準治療的實現(xiàn)。

本文旨在綜述人工智能在類器官研究中的最新進展，探討人工智能在類器官研究應用中的潛能。

1 類器官研究進展

類器官來源于多種類型干細胞，通過自組織方式形成三維結構，因其能夠模擬原生器官的結構和功能，因此有助于人類疾病的建模、藥物篩選以及體外替代組織或器官的再生。相對于患者來源的動物移植瘤模型，類器官具有成本低、成功率高、培養(yǎng)周期短、操作簡便等優(yōu)勢［3-4］。相比于傳統(tǒng)的2D細胞系培養(yǎng)，類器官直接來源于患者，能夠保留患者的基因組信息以及表觀遺傳學信息，并且更符合體內(nèi)條件下的三維結構［4］，可以更準確地概括來源腫瘤的結構、特定功能、分子特征和基因組改變［5］。前列腺癌［6］、胰腺癌［7］、結直腸癌［3］、卵巢癌［8］等多種實體腫瘤的類器官體外培養(yǎng)體系已成功建立。類器官在預測治療反應、研究耐藥相關機制、優(yōu)化治療策略和精準治療等方面擁有巨大潛力［9-10］，成為近十年內(nèi)生物科學領域的重要突破之一［11］。

類器官具有眾多優(yōu)越的特性，但同時也給觀察和分析帶來了巨大的挑戰(zhàn)，作為三維培養(yǎng)物的類器官擁有復雜的空間結構和表型，且其在培養(yǎng)過程中強烈地變化和運動，導致研究者們需要用合適的辦法來定量、準確、快速和便捷地觀察。其次，類器官研究一般會產(chǎn)生大量的高通量數(shù)據(jù)，數(shù)據(jù)的巨大規(guī)模、高緯度性、噪聲廣泛存在以及復雜的生物學過程使得人工篩選分析或者傳統(tǒng)的統(tǒng)計學方法難以處理。如何對這些數(shù)據(jù)進行分析和挖掘，以獲得對類器官培養(yǎng)過程變化以及其代表的疾病發(fā)生、發(fā)展的理解等方面需要客觀和準確的方法。

2 人工智能相關技術在醫(yī)學領域的研究進展

近年來，伴隨著人工智能尤其是深度學習的迅速發(fā)展，其方法和模型越來越多地被研究者結合患者的臨床、病理學、影像學、基因組學、蛋白質(zhì)組學、轉(zhuǎn)錄組學等數(shù)據(jù)，用于診療全過程的決策，以幫助醫(yī)師快速、客觀和準確地完成患者的篩查、診斷、治療和預后，制訂個性化治療方案。

機器學習是人工智能的一個技術分支，能從數(shù)據(jù)中自動學習規(guī)律和模式來決策。經(jīng)典的模型有隨機森林與支持向量機。隨機森林是由多個決策樹組成的集成模型，每個決策樹基于隨機子集得到，其魯棒性好，不易受噪聲和異常因素影響并且不需要大量調(diào)參操作。有研究成功運用其進行心血管疾?。?2］和糖尿病［13］風險預測。支持向量機是另一種流行的機器學習算法，其基本思想為尋找一個最佳的超平面，以最大程度地分隔不同類別的數(shù)據(jù)點。在小樣本高維數(shù)據(jù)上表現(xiàn)較好，其對核函數(shù)等參數(shù)的敏感性很高，并且大規(guī)模數(shù)據(jù)集計算時間和空間的效能都較高。有研究［14］嘗試結合語音數(shù)據(jù)檢測帕金森病。

深度學習是機器學習的熱門領域，其由多層神經(jīng)網(wǎng)絡疊加而成。相較于傳統(tǒng)機器學習，其能自動學習數(shù)據(jù)中的特征并組合轉(zhuǎn)換為更高層、更抽象的特征，可減少人工設計特征工作［15］，但對數(shù)據(jù)的數(shù)量和質(zhì)量都有較高要求。卷積神經(jīng)網(wǎng)絡是一種廣泛被使用的網(wǎng)絡結構，通過卷積和池化操作來層次化地進行特征提取和學習，用于處理和分析圖像及視頻數(shù)據(jù)。常見模型有Vgg、ResNet和U-NET等，其應用已實現(xiàn)了分割腦腫瘤［16］，對皮膚癌進行分類［17］以及使用視網(wǎng)膜圖像檢測糖尿病視網(wǎng)膜病變與糖尿病性黃斑水腫［17］，能力水平可與專業(yè)醫(yī)師媲美。另一種網(wǎng)絡結構—循環(huán)神經(jīng)網(wǎng)絡擁有隱藏層對信息進行存儲記憶，每個時間步的輸出和隱藏狀態(tài)都受前一個時間步的影響，常用于序列數(shù)據(jù)處理，但當輸入序列比較長時會出現(xiàn)長期依賴問題以及不能并行運算導致無法充分利用計算資源。有研究［18］報道將電子健康記錄中事件之間的時間關系進行建模進行心力衰竭早期診斷。而Transformer使用自注意力機制，會計算序列每個元素與其他元素的相似度，實現(xiàn)全局依賴關系的捕捉且容易進行改進和擴展。Transformer最初用于自然語言中，如Bert模型［19］，隨后在圖像數(shù)據(jù)中也大放異彩［20］。研究者也嘗試將其引入醫(yī)學領域，如使用影像學和臨床特征在早期預測非小細胞肺癌患者的總生存期和無復發(fā)生存期［21］。值得一提的是，Transformer需要巨大的訓練數(shù)據(jù)和計算資源。此外還有對抗生成網(wǎng)絡，其由生成器和判別器組成，通過競爭訓練生成器生成逼真數(shù)據(jù)，用于生成高質(zhì)量的圖像、音頻或其他數(shù)據(jù)。在醫(yī)學領域，研究者嘗試利用其從患者MRI圖像生成對應的CT圖像以避免暴露于輻射［22］以及使用低質(zhì)量圖像進行超分辨率重建，進而獲得高質(zhì)量超聲圖像［23］。但對抗生成網(wǎng)絡也有缺點：難以收斂，不穩(wěn)定，因此需要更多訓練技巧。

應用人工智能技術，除了選擇高效合適的模型外，數(shù)據(jù)的可靠性直接影響到模型的魯棒性。在醫(yī)學領域，數(shù)據(jù)稀缺［24-25］和類不平衡［22，26］兩大問題限制了人工智能在醫(yī)學領域的進一步發(fā)展與應用。通過幾何、色彩和噪聲引入等直接對原有數(shù)據(jù)進行變換，或是訓練中在特征空間進行增強和利用對抗網(wǎng)絡生成數(shù)據(jù)等技術，亦或微調(diào)預訓練模型權重的遷移學習是解決數(shù)據(jù)稀缺的常用方法。針對類不平衡，可通過重采樣和特征選擇的數(shù)據(jù)預處理以及在模型層面納入代價敏感策略來嘗試解決。

3 人工智能在類器官研究中的應用

3.1 人工智能在類器官圖像分析中的應用

細胞圖像蘊含海量信息，人工智能通過對細胞形態(tài)、功能及亞細胞形態(tài)、功能的定性和定量分析，獲得大量的細胞特征信息，能夠幫助研究者更好地把握細胞結構與功能的變化，從而理解細胞的生命過程及運作機制。

3.1.1 提高類器官圖像質(zhì)量

類器官圖像分析的前提條件是獲取高質(zhì)量的類器官圖像，以便能充分和正確地提取圖像特征，尤其在需要使用機器學習這一數(shù)據(jù)驅(qū)動型人工智能方法進行后續(xù)分析的時候。由于成像技術和類器官的自身條件，研究者往往無法得到高質(zhì)量圖像。例如類器官為避免光毒性而需要快速采集和降低光照，往往無法得到高質(zhì)量圖像，為此McAleer等［27］提出兩種深度學習模型（基于U-NET和基于patch的回歸模型），通過在雙光子激發(fā)熒光下采集的類器官（人視網(wǎng)膜和皮膚類器官）低分辨率圖像和對應的高分辨率圖像組成的訓練集上訓練后，能夠?qū)崿F(xiàn)圖像超分辨率重建，以達到使用減少光暴露來獲取高分辨類器官圖像的目的，并在這兩種類器官保留測試集上圖像重建指標（均方誤差和結構相似性）顯示兩種深度學習擁有良好的性能。

另外，成像技術的限制也會造就圖像質(zhì)量不佳，如定量相位成像技術會造成類器官相位包裹問題。Yang等［28］針對此問題提出了一種基于深度圖像先驗的類U-net深度學習模型，能通過對類器官相位包裹圖像的擬合，從而達到無需訓練集預訓練模型來進行相位展開，進而修正類器官偽影還原真實圖像的效果，與其他方法（未加權最小二乘算法、相位展開最大流量算法等）在小鼠腸道類器官相比較，效果良好。

3.1.2 快速識別和分割類器官

大多數(shù)生物圖像分析的第一步是目標識別和圖像分割，幫助研究者定位和提取感興趣區(qū)域以便進行更準確的分析和診斷。但類器官懸浮在三維空間中及其由數(shù)千個跨越數(shù)百微米的單個細胞組成，造就其龐大的規(guī)模。導致類器官成像常常出現(xiàn)遮擋、失焦、大小和形狀上的巨大異質(zhì)性以及高密度或高度稀疏的類器官分布，這給類器官的識別與分割造成巨大困難。有鑒于此，Kassis等［29］選擇焦點中具有最多人腸道類器官的位置進行明場成像，再對該圖像上的類器官進行位置、大小標注，在訓練集上訓練基于R-CNN的深度學習模型，訓練完成后的模型能對人腸道類器官自動定位，標志質(zhì)量（平均精度=80%）與人工相似，但速度更快。

二維成像雖然能一定程度地表征類器官，但三維成像更能展現(xiàn)它的復雜性和形態(tài)特征。Bao等［30］使用多尺度信息引導優(yōu)化的神經(jīng)網(wǎng)絡EGONet對光學相干斷層掃描技術得到的肝、胃和腸三類癌癥類器官的三維圖像進行監(jiān)督分割，對比其他的單神經(jīng)網(wǎng)絡，其在精度、靈敏度、Dice和Jacard等指標上擁有最佳性能，尤其是對直徑≥50 μm的類器官?；诜指畹暮罄m(xù)分析表明，類器官的生長過程經(jīng)歷了體積增大、空腔形成和融合等形態(tài)學變化；此外，類器官的生長速度與初始尺度有關。Garrett等［31］通過擴展他們在組織學切片中描繪細胞核的深度學習方法擴展到三維并改進損失函數(shù)，在已標注的具有不同突變?nèi)橄侔┘毎蹬囵B(yǎng)的類器官共聚焦圖像上訓練，隨后在驗證集分割效果與另一神經(jīng)網(wǎng)絡模型3D-Unet比較，F(xiàn)1為0.83，有所提高。

Sun等［32］則選擇磁粒子成像，對移植到小鼠腎囊的經(jīng)超順磁性氧化鐵納米顆粒標記的胰島類器官進行成像，隨后使用機器學習算法k-means進行三維圖像分割，完成對感興趣區(qū)域的監(jiān)測和其含鐵量的估計，實現(xiàn)對體內(nèi)移植胰島類器官的量化監(jiān)測。Gritti等［33］開發(fā)了MOrgAna軟件使用機器學習解決不同顯微鏡設備、放大倍率和視野獲得的圖像問題；隨后使用不同拍攝條件下獲得的人腦類器官、小鼠胚胎類器官和腸類器官與CellProfiler及OrganoSeg兩種工具進行比較，在Jaccard距離、精度和準確性等標準指標上有所提高。但其要求每張圖像只有一個對象，可能限制其應用。

3.1.3 幫助類器官進行形態(tài)學分類

類器官形態(tài)分類可以幫助我們更好地理解類器官結構、狀態(tài)和功能之間的關系。例如，Abdul等［34］開發(fā)了一種基于深度學習的工具（D-CryptO）并對結直腸類器官進行分類，經(jīng)過標注圖片訓練后，能以98.00%的準確率區(qū)分透明和不透明的類器官以及以90.87%的準確率區(qū)分球形和出芽類器官?；诖说念惼鞴賯鞔?、短期暴露于外部刺激和藥物治療的形態(tài)學分析能捕捉結腸類器官對不同作用下反應方式的變化。Okamoto等［35］將結直腸癌類器官按形態(tài)分為6類后作為分類訓練集，訓練分類器支持向量機和DensNet201，結果顯示，分類準確度與人工相當。整個模塊訓練后實現(xiàn)全自動、高準確率地對圖像中結直腸癌類器官進行識別并分類，為其后續(xù)不同形態(tài)類器官基因差異表達分析提供支撐。

Kegeles等［36］使用單個視網(wǎng)膜類器官第5天明場圖像和第9天熒光報告結果為分化標簽制作訓練集，對比訓練4個神經(jīng)網(wǎng)絡（ResNet50v2、VGG19、Xception和DenseNet121）后選擇ResNet50v2實現(xiàn)根據(jù)第5天明場圖像實現(xiàn)非侵入式預測單個視網(wǎng)膜類器官分化。在測試集上結果顯示，卷積神經(jīng)網(wǎng)絡在分化早期階段預測視網(wǎng)膜類器官分化方面，準確度（0.84）高于人工（0.67±0.06），證實神經(jīng)網(wǎng)絡在報告基因表達開始之前可以成功地識別和預測類器官的視網(wǎng)膜分化。

Mergenthaler等［37］為解決特征選擇對類器官帶來的挑戰(zhàn)，開發(fā)了數(shù)據(jù)驅(qū)動的基于體素的特征結合機器學習的方法對三維圖像數(shù)據(jù)進行自動定量表型分析，并研究了不同癌基因表達（SNAIL、Bcl-XL和Bcl-2等）下對人乳腺腺泡類器官的形態(tài)影響。結果顯示，該方法相比于使用二維形態(tài)和預定義的三維特征能實現(xiàn)更小的計算量和更好的聚類與分類效果，并顯示與先前類器官惡性轉(zhuǎn)化中癌基因作用的研究結果吻合。

3.1.4 實現(xiàn)對類器官的自動追蹤

類器官的顯著優(yōu)點是可以進行實時觀察，以研究空間和時間上的復雜細胞生命活動過程［38］。為了能對類器官實現(xiàn)跨時間追蹤，Hradecká等［39］提出了一個工作流程，使用人工標注的真實類器官圖像和由條件生成對抗網(wǎng)絡生成的圖像數(shù)據(jù)訓練卷積神經(jīng)網(wǎng)絡U-Net，實現(xiàn)類器官分割。結合后續(xù)的形狀相似約束和實例分割糾正的跟蹤步驟來關聯(lián)相應的類器官。在不同表型的小鼠乳腺上皮類器官序列上對其進行驗證，在檢測精度、分割精度和邊界定位誤差等指標上達到了與人工相當?shù)男阅?。但該研究使用的?shù)據(jù)是局部圖像，每次需要重新對焦所需區(qū)域，可能會限制其應用。而Bian等［40］則使用拼接和景深合成處理高通量采集的小鼠肝臟類器官和肺泡類器官圖片，得到全景明場圖。經(jīng)過標注后作為訓練集，訓練目標檢測神經(jīng)網(wǎng)絡SSD模型，進而識別圖像中單個類器官，再以單個類器官不同時刻圖像和位置標注為一個訓練樣本的形式作為訓練集，訓練基于ResNet的跟蹤模型，實現(xiàn)對單個類器官的跟蹤。Kok等［41］則希望跟蹤類器官中的細胞，以便在單細胞水平上研究細胞的生長和穩(wěn)態(tài)。使用U-Net神經(jīng)網(wǎng)絡架構，通過注釋細胞核來訓練網(wǎng)絡預測每個細胞核的中心位置，結合之后的鏈接算法和手動糾錯完成細胞追蹤，實現(xiàn)半自動類器官細胞追蹤，與手動追蹤相比速度提升。

3.1.5 人工智能在其他類器官圖像處理中的應用

除了分割、檢測和分類等計算機視覺常規(guī)任務，研究者嘗試將生物學信息融入類器官圖像研究中。Ballweg等［42］使用機器學習隨機森林算法處理由胃類器官的延時共聚焦顯微鏡收集的時間過程數(shù)據(jù)分解得到的靜態(tài)特征，分析了分子水平事件（肌動蛋白聚合和解聚）與細胞水平的行為（損傷修復、細胞剝落）的聯(lián)系，揭示了肌動蛋白聚合時間在決定胃修復過程中涉及的細胞水平行為中的關鍵作用，為我們了解單個胃類器官如何調(diào)節(jié)修復提供了數(shù)據(jù)驅(qū)動的見解。Libby等［43］將機器學習、數(shù)學模式和基因工程優(yōu)化相結合，創(chuàng)建了一種數(shù)據(jù)驅(qū)動的方法，通過敲除顯示影響干細胞集落組織的基因CDH1和ROCK1來控制多能干細胞自組織。使用擴展的Cellular Potts模型在計算機上對體外系統(tǒng)進行計算復制，使機器學習驅(qū)動的參數(shù)優(yōu)化能夠產(chǎn)生所需的模式，從而實現(xiàn)通過機器學習對多能干細胞行為的模型驅(qū)動探索，準確預測形態(tài)發(fā)生動力學，進而實現(xiàn)多細胞模式的空間控制及更好地設計類器官。

3.2 人工智能在類器官大數(shù)據(jù)處理中的應用

3.2.1 便捷評估類器官保真度

癌癥模型的泛化性和功效源于它對所研究腫瘤的保真度，為了能客觀公正而快速地評價腫瘤類器官對患者疾病忠實反映程度，Chen等［44］利用機器學習方法結合其培養(yǎng)結直腸癌類器官的單細胞轉(zhuǎn)錄組學數(shù)據(jù)對類器官亞型進行無偏聚類。結果顯示，類器官中的異質(zhì)性仍然保持良好，展示出高度的多樣性。Peng等［45］采用機器學習算法，開發(fā)出計算工具，可以排除平臺和物種的干擾，進而利用轉(zhuǎn)錄組學數(shù)據(jù)定量評估癌癥模型與22種自然發(fā)生的腫瘤類型和36種亞型之間的相似性，并開發(fā)出計算工具。隨后用該工具來測量腫瘤類器官、細胞系、源自患者的異種移植物和基因工程小鼠模型與自然產(chǎn)生人類腫瘤的相似性，結果顯示，患者類器官和基因工程小鼠相比其他兩種模型擁有更高的轉(zhuǎn)錄保真度。

3.2.2 深度挖掘組學數(shù)據(jù)

使用人工智能方法對類器官組學數(shù)據(jù)進行分析，可幫助研究者識別不同細胞類型和細胞狀態(tài)轉(zhuǎn)換，揭示細胞發(fā)育和疾病發(fā)展的動態(tài)過程。Feng等［46］使用基于機器學習隨機森林的標簽轉(zhuǎn)移方法結合原代人類胎兒心臟細胞的細胞注釋（細胞類型、腔室和偏側(cè)性），實現(xiàn)客觀的基于RNA-seq對類器官系統(tǒng)分化的細胞進行表征。通過該方法對比和分析野生型細胞系衍生的類器官與攜帶三尖瓣下移畸形相關基因的類器官，確定腔室發(fā)育缺陷。He等［47］開發(fā)了一種機器學習框架，實現(xiàn)在細胞分辨率上比較大腦和類器官的基因表達分析，以識別保守和特異的發(fā)育軌跡，以及發(fā)育表達的基因和功能。Devall等［48］利用機器學習算法和RNA-seq來解釋致癌物對正常人結腸上皮細胞的早期轉(zhuǎn)錄組學和細胞學效應，確定了將結腸類器官暴露于單一劑量的致癌物混合物（包括MelQx、PhIP、BaP和NDEA）24 h后基因表達的差異。該研究結果觀察到在暴露于致癌物質(zhì)的結腸類器官中存在強大的轉(zhuǎn)錄組反應，揭示了細胞組成的選擇性變化。Kim等［49］使用基于圖像的機器學習方法分析14 d胚狀體類器官的單細胞轉(zhuǎn)錄組學數(shù)據(jù)來推斷細胞狀態(tài)和譜系軌跡，為后續(xù)轉(zhuǎn)錄和表觀遺傳學調(diào)控因子的驗證奠定了基礎。

3.3 人工智能在類器官其他類型數(shù)據(jù)中的應用

類器官電信號和光譜等類型的數(shù)據(jù)逐漸被研究者采用，以實現(xiàn)更全面地表征并揭示類器官的特征和生長過程。Hasib等［50］使用局部場電位信號結合機器學習支持向量機和深度學習卷積神經(jīng)網(wǎng)絡兩種方案，實現(xiàn)高性能區(qū)分6個月（AUC分別為0.993和0.996）和12個月（AUC分別為0.881和0.997）下CHD2突變類器官與對照類器官。該研究結果揭示僅少數(shù)局部場電位特征包含突變特異性信息，并顯示了其隨時間的變化，證明了使用局部場電位信號表征類器官的可行性。Tubbesing等［51］使用拉曼共聚焦法獲取不同因子處理后被固定的小鼠唾液腺類器官細胞密集區(qū)域的拉曼光譜，將光譜與其對應處理因子標簽作為訓練集，訓練機器學習RSVM模型，隨后在活的小鼠唾液腺類器官進行相同操作，結果顯示，EFG處理、FEF2處理、對照組相互區(qū)分準確率為76%～81%，因此實現(xiàn)對不同分化狀態(tài)類器官進行降低基質(zhì)膠信號干擾、無標記和無損的分類。Becker等［52］使用神經(jīng)網(wǎng)絡FeaSel-Net和機器學習方法主成分分析與k均值聚類結合不同藥物處理下的膀胱癌類器官熒光和拉曼光譜數(shù)據(jù)來尋找生物標志物，隨后使用挑選的拉曼光譜生物標志物進行分類，雖然準確率僅在73%～87%，但考慮到其僅使用了不到原光譜數(shù)據(jù)的1%，降低了數(shù)據(jù)的復雜性，改進了用于藥物特異性反應的分類。

3.4 人工智能在類器官藥篩方面的應用

藥物篩選是類器官應用的一個重要方面，人工智能的介入能更好地實時監(jiān)測和快速采集與分析數(shù)據(jù)以反饋調(diào)整和優(yōu)化篩選過程。此外，藥物篩選預測類器官對于藥物和治療方案的響應，人工智能可提升篩選的效率、成功率，減少實驗的成本和時間以加速個體化治療的進度。

3.4.1 監(jiān)測藥物作用于類器官的過程

基于ATP的活力檢測和活體染料是確定藥物效果的傳統(tǒng)方法，但有著明顯的缺點：侵入式測定會在一定程度上影響類器官藥篩過程，細胞水平的測定需要跨細胞整理并掩蓋類器官異質(zhì)性。而使用人工智能結合類器官圖像能實現(xiàn)非侵入、定量和實時快速地監(jiān)測類器官對藥物的響應。Spiller等［53］通過高內(nèi)涵顯微鏡獲取178個結直腸癌類器官不同時間點的明場圖像，統(tǒng)計單個類器官形態(tài)測量和紋理信息，訓練機器學習線性模型。結果顯示，在保留的測試集上，與專家和DRAQ7染色的一致性分別為78%和61%。該研究隨后還使用該模型非破壞性跟蹤3例不同患者的類器官對伊立替康和奧沙利鉑的7天動態(tài)響應，展現(xiàn)出捕捉患者特異性藥物反應的能力。Larsen等［54］建立基于條件生成對抗網(wǎng)絡（RCA網(wǎng)絡）的治療分析模型，該模型利用混合損失層來改進生成的熒光讀數(shù)，并包括一個額外的分支來預測明場圖像對應的數(shù)據(jù)。該模型接受9種不同類型的癌癥29 165配對明場和3通道熒光圖像的訓練，最終能夠使用明場圖像預測對應熒光圖像和活力讀數(shù)，即可以通過簡單的光學顯微鏡預測熒光活體染料染色表型，實現(xiàn)藥物反應監(jiān)測，從而降低了高通量篩選的成本，也節(jié)省了時間。與基于代謝的測定相比，通過光學顯微鏡預測藥物反應的RCA網(wǎng)絡能以很高的重現(xiàn)性和較少的生物量輸入來確定藥物敏感性，特別是使用縱向延時成像，這為克服個性化體外藥物測試中的時間障礙提供了可能性。

3.4.2 預測類器官對藥物的反應

藥物篩選的周期長、費用高、失敗率高，類器官結合人工智能技術對藥物作用效果實現(xiàn)了準確預測和分析，可提高研發(fā)效率，提高藥物安全性，優(yōu)化個性化臨床治療方案。Kong等［55］使用機器學習方法（嶺回歸、線性回歸和支持向量回歸），結合結直腸癌和膀胱癌類器官藥物基因組篩查數(shù)據(jù)構建類器官藥物反應預測模型，來挑選潛在藥物的生物標志物。隨后使用挑選的生物標志物準確預測了114例5-FU治療的結直腸癌患者和77例順鉑（cisplatin，DDP）治療的膀胱癌患者的效果，接受治療的預測應答者比預測無應答者有更好的生存結果（P5-FU=0.014；PDDP=0.01）。這種將網(wǎng)絡分析結合到機器學習框架中的方法實現(xiàn)了使用類器官模型準確識別穩(wěn)健的藥物反應生物標志物以改善治療結果，拉近了類器官與臨床的距離。Park等［56］在確定患者來源的直腸癌類器官的照射反應與實際放療結果之間的相關性后，使用類器官生存分數(shù)建立基于機器學習方法隨機森林的放射治療結果預測模型，用于預測良好應答和低應答，模型準確度值分別為81.5%和92.1%。Esmail等［57］因腦類器官培養(yǎng)昂貴、耗時，著眼于腦類器官的計算機模擬。Esmail等［57］使用遞歸神經(jīng)網(wǎng)絡、支持向量機和進化系統(tǒng)等方法，聯(lián)合開發(fā)了包含4 516個基因/蛋白質(zhì)或表型概念和41 493非零關系的系統(tǒng)，結果顯示，與公布的濕實驗數(shù)據(jù)結果相比，無偏二項檢驗顯示其成功預測了全腦類器官常見的9種神經(jīng)細胞類型、7種腹側(cè)-背側(cè)區(qū)域、6種大腦皮層、酸堿狀態(tài)、細胞應激等的表達，這種低成本和易于定制的類器官模擬可用于許多神經(jīng)系統(tǒng)疾病模擬并帶來重要的治療見解。有研究［58］對異染性腦白質(zhì)營養(yǎng)不良的全腦類器官進行模擬，并模擬861種單藥和雙藥組合對該類器官的作用，提出幾種雙藥組合作為潛在的治療方案，將為罕見病的發(fā)病機制、疾病進展和治療的評估提供新的手段。

4 未來與挑戰(zhàn)

盡管人工智能在類器官研究中逐漸應用并展現(xiàn)出良好的性能，但也面臨如下困難。首先，某些類器官數(shù)據(jù)難以獲取，數(shù)據(jù)集樣本量和完備性不佳使得機器學習這一數(shù)據(jù)驅(qū)動型方法建立的模型可能在單一來源的樣本上雖表現(xiàn)突出但泛化性能差。同時，不同研究中數(shù)據(jù)質(zhì)量、來源和格式等的差異使得很難實現(xiàn)合并以充分利用來改善這種情況。其次，很多研究報道僅采用準確性或受試者工作特征（receiver operating characteristic，ROC）曲線等性能指標，但這些指標可能并不能充分客觀地評價模型。只有對輸入到輸出的因果關系進行說明，打破人工智能模型的黑盒性質(zhì)，提高可解釋性才能更好地提高信任度。再次，多數(shù)研究使用單一類型數(shù)據(jù)或針對單一任務進行建模，但單一模態(tài)數(shù)據(jù)可能存在信息缺失以及許多研究任務之間擁有相關性，存在特征共享。進行多任務和多模態(tài)建?？梢蕴岣邤?shù)據(jù)的利用效率與模型泛化性，并提供多角度、更全面分析。此外，現(xiàn)有的應用大部分集中于高通量成像和分析技術的集成，更多的研究范式需要被挖掘，例如使用微流體和其他芯片實驗室技術將類器官與人工智能連接起來。這些系統(tǒng)可以精確控制類器官周圍的環(huán)境，使研究人員能夠研究復雜的生物學過程，并對單個細胞或細胞群的生物學行為進行預測［59］。

人工智能技術促進了類器官研究的準確度、客觀性和復雜數(shù)據(jù)的處理能力。盡管仍存在不少障礙，但我們相信隨著越來越多生物學、醫(yī)學和人工智能領域的科研人員參與到類器官的研究中，人工智能會在類器官研究中發(fā)揮重要作用，加速類器官向臨床轉(zhuǎn)化和精準治療。

利益沖突聲明：所有作者均聲明不存在利益沖突。

作者貢獻聲明：

吳洪基：調(diào)查研究、撰寫初稿、審讀和修訂。

王海霞：撰寫初稿、審讀和修訂。

汪 玲：寫作、審讀和修訂。

羅小剛：寫作、審讀和修訂。

鄒冬玲：總體構思、寫作指導、資金支持。