Este estudio desarrolló un nuevo método de detección sin marcadores basado en imágenes microscópicas y aprendizaje profundo. Usando la línea celular de cáncer de pulmón de células no pequeñas A549 como objeto, se construyó un conjunto de datos de imágenes de campo claro y anotaciones correspondientes de viabilidad celular. 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-activación espacial y de canal, así como módulos de agrupación piramidal espacial dilatada, fortaleciendo la extracción de características tanto detalladas como globales. Los resultados muestran que el modelo logró una media de intersección sobre unión (mIoU) de 0.7623 y un coeficiente Dice medio (mDice) de 0.8556 en el conjunto de datos propio, con un coeficiente de correlación predictivo r=0.912, superando a cinco modelos principales: UNet, SegNet, FCN, PSPNet y LinkNet. Este método no requiere el uso de reactivos químicos, evitando la interferencia con el estado celular, y puede monitorear de manera dinámica y continua la viabilidad de las células A549, proporcionando una referencia valiosa para el desarrollo de tecnologías de detección de viabilidad celular del cáncer de pulmón sin marcadores.

detección de viabilidad celular; microscopía óptica; células de cáncer de pulmón; aprendizaje profundo