Este estudio desarrolló un nuevo método de detección sin marcas basado en imágenes microscópicas y aprendizaje profundo. Usando la línea celular de cáncer de pulmón no microcítico A549 como sujeto, se construyó un conjunto de datos de imágenes de campo claro con anotaciones de viabilidad celular correspondientes. Se diseñó una red de fusión de características multiescala de doble rama Enhanced-UNet, combinando la capacidad de recuperación de detalles de UNet++ y la capacidad de modelado contextual de DeepLabV3+, e introduciendo módulos de compresión-excitación espacial y de canal, y un módulo de agrupación piramidal con dilatación, que fortalecen la extracción de características detalladas y del contexto global. Los resultados muestran que el modelo alcanza un índice medio de intersección sobre unión (mIoU) y un coeficiente medio de Dice (mDice) de 0.7623 y 0.8556 en el conjunto de datos creado, con una correlación predictiva r=0.912, superando a cinco modelos principales: UNet, SegNet, FCN, PSPNet y LinkNet. Este método no requiere el uso de reactivos químicos, evitando interferir con el estado celular, y puede monitorear dinámicamente la viabilidad de las células A549 de forma continua, proporcionando una referencia valiosa para el desarrollo de la detección de viabilidad celular de cáncer de pulmón sin marcas.

detección de viabilidad celular;imágenes microscópicas ópticas;células de cáncer de pulmón;aprendizaje profundo