论文标题：deepBlastoid: a deep learning model for automated and efficient evaluation of human blastoids

期刊：Life Medicine

作者：Zejun Fan, Zhenyu Li, Yiqing Jin, Arun Pandian Chandrasekaran, Ismail M Shakir, Yingzi Zhang, Aisha Siddique, Mengge Wang, Xuan Zhou, Yeteng Tian, Peter Wonka, Mo Li

发表时间： 11 July 2025

DOI：10.1093/lifemedi/lnaf026

微信链接：点击此处阅读微信文章

人类类囊胚（Human Blastoids）作为模拟早期胚胎发育和着床的重要体外模型，在发育生物学研究和药物筛选中展现出巨大潜力。然而，长期以来对类囊胚形态的评估高度依赖研究人员的肉眼观察和手动分类，这不仅耗时耗力，且存在主观性差异。

近日，沙特阿卜杜拉国王科技大学（KAUST）李墨教授团队与Peter Wonka教授团队合作，在Life Medicine发表了题为deepBlastoid: A Deep Learning Model for Automated and Efficient Evaluation of Human Blastoidss的研究论文。该研究开发了一款名为 deepBlastoid 的深度学习模型，仅需明场图像即可实现人类囊胚的快速、自动化分类与质量评估，为类囊胚的高通量应用扫清了障碍。

背景与挑战

类囊胚（Blastoids）是由干细胞在体外自组织形成的、模拟天然囊胚（Blastocyst）结构的胚胎模型 。囊胚是人类胚胎发育的极早期阶段，主要由滋养层（Trophectoderm, TE）、上胚层（Epiblast, EPI）和原始内胚层（Primitive endoderm, PrE）三种核心细胞群组成 。类囊胚在谱系规范、基因表达模式以及体外着床潜力等方面与天然人类胚胎高度相似。由于直接研究人类胚胎受到严格的伦理限制，类囊胚因其兼具伦理性、成本效益且易于实验操控的特点，成为研究人类早期发育机制、妊娠相关疾病以及药物安全性和有效性的理想体外模型。

由于类囊胚可以大规模生成，使其非常适合用于高通量筛选 。然而在实际操作中，研究者通过肉眼人工处理数据浪费了大量时间，且不同研究者标准不同，表征难以标准化。事实上，一个24孔AggreWell板可产生近30,000个类囊胚，依靠人工对如此庞大规模的样本进行逐一评估是极不现实的 。目前，该领域仍缺乏能够有效自动化评价类囊胚形态的方法，导致很多有价值的数据在实验中被埋没，限制了该模型在机理研究和药物筛选中的广泛应用 。

研究亮点

1. 构建首个大规模人类囊胚明场图像数据集

为了解决类囊胚评估自动化程度低的问题，研究团队首先构建了一个包含 17,133张明场图像的大规模数据集，这是目前首个针对人类囊胚明场图像的数据集。其中，2,407张图像由三位独立专家根据发育特征进行了标注，分为五种典型类别：A类（发育良好且具内细胞团）、B类（有腔无内细胞团）、C类（滋养层不规则）、D类（细胞碎片）以及W类（空孔）。该数据集还包含了 14,726张涵盖多种实验条件的未标注图像，不仅为模型的训练奠定了坚实基础，也作为开放资源为未来胚胎发育研究中的自监督学习提供了数据集（见图1）。

2. deepBlastoid 模型的建立、训练与性能

在模型开发过程中，研究团队对比了多种深度学习架构，最终选择了在计算效率与分类效果之间达到最佳平衡的 ResNet-18 作为默认模型。通过引入随机缩放等数据增强策略，并经过36个epochs的迭代训练，deepBlastoid 展示出了较好的性能。该模型在独立测试集上的准确率则高达 97%。同时模型有着良好的训练和推理效率，模型每秒可自动分类 273.6张图像，吞吐量约为人类专家的 1,000倍，且准确性达到了经验丰富的科研人员程度。

3. 人工与AI结合的置信率进一步增强性能

为了进一步提高性能，模型构建了人工与AI协同的处理框架，引入了置信率（Confidence Rate, CR）指标。该系统在进行预测的同时会计算置信得分，自动识别并标记出低置信度的样本（如生物学特征高度重合的图像），交由人工专家进行复核（见图2）。为了平衡效率和准确性，研究发现，当置信率阈值设定为 0.8 时，模型不仅能避免自动化处理量的过度流失，还能将整体准确率从、87% 大幅提升至 97%。这种灵活的配置允许研究人员根据不同应用场景（如初步筛选或精细表征），自由调整通量与准确率之间的平衡。

4. 生物实验应用

研究团队在两个真实应用情景中使用了deepBlastoid评价工具（见图3）。首先，在溶血磷脂酸（LPA） 浓度优化实验中，模型通过处理超万张图像发现，虽然blstoid形成效率在 0.5 μM 时趋于平稳，但该浓度能使空腔囊胚的比例显著增加两倍，揭示了以往人工评估难以察觉的细微形态变化 。其次，在评估药物溶剂DMSO 的安全性时，模型证实了 0.1% 低浓度 DMSO 不会影响类囊胚的形成效率，保障了药物筛选的基准可靠性。此外，平台还能利用“空孔比例”自动监测细胞接种密度，作为实验全过程的质量控制手段，极大地增强了科研的可重复性。

意义与展望

deepBlastoid 为人类囊胚研究提供了一个高度标准化且自动化的评估平台 。该模型不仅能极大地解放科研人员用于繁琐重复劳动的时间，还能通过实时监测细胞接种密度等质量控制指标，显著提升实验的可重复性。更重要的是，deepBlastoid 在多个前沿领域展现出广阔的应用潜力：在基础研究方面，它能够实现自动化的精细分类与评估，帮助揭示人类早期发育过程中的新机制与新现象；在药物筛选中，该平台为大规模评估药物对胚胎发育、着床效率及潜在毒性的影响提供了高效、非侵入性的可行方案；此外，这一自动化评估工具在试管婴儿（IVF）相关临床技术中也具有优化胚胎质量评价、提升辅助生殖效率的潜在价值 。目前，该模型及其包含万余张图像的数据集已向全球开发者公开，研究者可基于此框架针对特定的成像条件和培养协议训练个性化模型，共同推动类囊胚研究迈向高通量、智能化的新阶段 。

学术讲座预告

同时，本文共同第一作者范泽军 (Zejun Fan) 受邀参加由国际干细胞研究学会（ISSCR）主办的网络研讨会，并将在会上汇报本工作的研究细节与应用前景。欢迎各位专家学者参加交流。

讲座主题：Modeling Human Development: Gene Networks, Organoids, and AI Tools

时间：Feb 26, 2026 4:00 PM EST

参会链接：https://www.isscr.org/upcoming-programs/modeling-human-development-webinar

英文全文链接：

https://doi.org/10.1093/lifemedi/lnaf026

引用本文：

Zejun Fan, Zhenyu Li, Yiqing Jin, Arun Pandian Chandrasekaran, Ismail M Shakir, Yingzi Zhang, Aisha Siddique, Mengge Wang, Xuan Zhou, Yeteng Tian, Peter Wonka, Mo Li, deepBlastoid: a deep learning model for automated and efficient evaluation of human blastoids, Life Medicine, Volume 4, Issue 6, December 2025, lnaf026, https://doi.org/10.1093/lifemedi/lnaf026

作者简介

李墨

KAUST 生物医学科学部

李墨 (Mo Li) 教授：KAUST 生物医学科学部（BioMed Division）副教授，KAUST智慧健康卓越中心核心成员，长期致力于干细胞生物学、类器官模型及再生医学研究。

Peter Wonka

KAUST 计算机科学系

Peter Wonka 教授：KAUST 计算机科学系教授，视觉计算中心核心成员，专注于计算机图形学与深度学习研究。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn