Este estudo desenvolveu um novo método de detecção sem marcação baseado em imageamento microscópico e aprendizado profundo. Usando a linha celular de câncer de pulmão de células não pequenas A549 como objeto, foi construído um conjunto de dados de imagens de campo claro e anotações correspondentes de viabilidade celular. Foi projetada uma rede de fusão de características multiescala de dois ramos, Enhanced-UNet, combinando a capacidade de recuperação de detalhes do UNet++ com a capacidade de modelagem contextual do DeepLabV3+, além da introdução de módulos de compressão-excitação espacial e de canal e de um módulo de pooling piramidal atrous, reforçando a extração de características detalhadas e de contexto global. Os resultados mostraram que o modelo alcançou uma média de interseção sobre união (mIoU) e coeficiente médio de Dice (mDice) de 0,7623 e 0,8556 no conjunto de dados criado, com correlação preditiva r = 0,912, superando cinco modelos principais: UNet, SegNet, FCN, PSPNet e LinkNet. Este método não requer o uso de reagentes químicos, evitando interferência no estado das células, podendo monitorar dinamicamente a viabilidade das células A549 continuamente, fornecendo uma referência valiosa para o desenvolvimento de tecnologia de detecção de viabilidade celular de câncer de pulmão sem marcação.

detecção de viabilidade celular;imageamento microscópico óptico;células de câncer de pulmão;aprendizado profundo