本研究は、顕微鏡画像と深層学習に基づくラベルフリー検出の新しい方法を開発した。非小細胞肺癌A549細胞株を対象とし、明視野画像と対応する細胞活性ラベルのデータセットを構築した。UNet++の詳細復元能力とDeepLabV3+のコンテキストモデリング能力を組み合わせ、空間およびチャネルの圧縮-励起モジュールと拡張空間ピラミッドプーリングモジュールを導入して、詳細および全体コンテキスト特徴の抽出を強化した二重分岐多尺度特徴融合ネットワークEnhanced-UNetを設計した。結果は、構築したデータセット上で平均交差面積比（mIoU）0.7623および平均Dice係数（mDice）0.8556、予測相関係数r=0.912を達成し、UNet、SegNet、FCN、PSPNet、LinkNetの5つの主流モデルを上回ったことを示した。本手法は化学試薬を使用しないため細胞状態への干渉を避け、A549細胞の生存状態を連続的かつ動的にモニタリングでき、ラベルフリー肺癌細胞活性検出技術の開発に有用な参考となる。

細胞活性検出;光学顕微鏡;肺癌細胞;深層学習