当AI遇见类器官:丹望医疗OrganoidViT开启药物筛选“像素级”精准时代

2026年开年至今，全球药品监管在非临床测试领域经历了一系列里程碑式的变革，为新方法学（NAMs）的规模化应用铺平了道路。5月，FDA肿瘤卓越中心与药品审评中心联合发布《肿瘤药物：生物制剂与偶联产品的精简化非临床安全性研究》征求意见稿，首次明确证据权重（WoE）风险评估可替代部分动物实验，NAMs可作为重要支撑证据纳入监管决策体系。6月1日，欧盟委员会发布《化学品安全评估逐步淘汰动物实验路线图》，这是全球首个覆盖多行业、具有明确时间表的非动物实验转型路线图，将类器官、器官芯片、iPSC模型、AI毒理学及多组学技术明确纳入未来监管体系。6月2日，美国EPA宣布加速推进减少动物实验计划，重申2035年逐步淘汰哺乳动物实验的长期目标。这一系列密集的政策信号，标志着NAMs从“可选替代”正式走向“监管认可”的制度化阶段。

与此同时，类器官技术作为这一变革的核心受益者与推动者，正迎来前所未有的发展机遇。然而，类器官技术的大规模应用面临关键瓶颈：如何高通量、标准化地评估类器官状态与药物反应？传统的荧光染色方法存在染料毒性、荧光衰减等问题，无法持续监测；人工评估效率低下，难以满足高通量药物筛选的需求。

在这一背景下，丹望医疗与上海交通大学集成电路学院王晓林副研究员（丹望医疗微流控芯片&设备负责人）合作，在Bio-Design and Manufacturing期刊发表了题为“OrganoidViT: a vision transformer–based deep learning model for segmenting viable and nonviable organoids in bright-field images”的研究论文，为上述问题提供了系统性解决方案。

图1. Graphical abstract

图2. OrganoidViT模型开发流程概述

利用微滴微流控技术对结直肠癌类器官的培养和药物处理流程进行了标准化，从而通过OrganoidViT模型实现自动化分析。（a–c）标准化类器官培养：使用注射泵和微流控芯片高通量生成包裹类器官和细胞外基质的微滴，随后通过三维（3D）微滴打印机将其分配至96孔细胞培养板中，用于后续培养、处理和成像。（d、e）类器官图像数据的采集及利用OrganoidViT进行分析。

类器显微图像的统计分析直接决定了药物响应评估的准确性与效率。传统的人工分析方法因数据量庞大而效率低下；基于荧光染色的图像处理方法则受限于染料毒性、荧光衰减及终点检测属性，难以实现长期连续监测，且无法区分活性与非活性类器官区域。此外，培养基质中的气泡也常干扰图像分析。

近年来，基于深度学习的类器官识别方法取得了一定进展。例如，D-CryptO可从明场图像中评估结肠类器官的隐窝形成与透明度，Deep-LUMEN则用于判断肺球体的形态正确性。但这些方法依赖目标检测模型，仅能生成边界框，易纳入背景及无关区域，限制了定量分析的精度。OrganoidD实现了逐像素识别、追踪和参数量化，支持长期延时分析，但该平台仍无法识别非活性类器官，难以全面量化药物诱导的细胞死亡效应。

总体而言，现有方法或依赖荧光标记、或受限于检测模型架构，均无法在明场图像中实现活性/非活性类器官的精准分割与同步量化，尚不能满足高通量药物筛选对稳健性、准确性和长期可追踪性的综合需求。

OrganoidViT采用视觉转换器进行类器官分，该方法突破了传统金字塔结构CNN的局限性，在保持分割精度的同时有效区分活性和非活性类器官。其核心技术优势在于：

深层图像特征学习：基于机器学习及深度训练，精确区分活性与非活性状态类器官

更高的分割精度：能够逐像素识别明场图像中的类器官区域，在类器官形态参数提取方面具有显著优势。

无需荧光标记：模型直接基于明场图，避免了荧光染料的毒性干扰和信号衰减问题，支持长期连续监测。

图3.类器官成像与数据集标注

（a）类器官图像采集的示意时间线。（b）类器官图像采集的Z-stack方法，最终图像为不同焦平面拍摄的七张图像的合成图。（c）基于荧光染色的类器官分割数字图像处理流程示意图。分割结果用于类器官数据集的标注。通过Z-stack方法采集类器官的明场及荧光图像，通过对荧光图像设定阈值进行二值化、滤波及边缘检测来实现分割。（d）类器官培养过程中荧光衰减示意图。图（d1、d3）为第0天红色方框区域内的明场及对应的荧光图像；图（d2、d4）为第6天同一区域的图像，显示荧光强度显著降低。（e）数据集标注示例，其中红色区域表示活性类器官，绿色区域表示非活性类器官。图（e1–e3）显示了包含活性与非活性混合区域的类器官标注方式，图（e4、e5）为活性区域，图（e6–e8）为非活性区域。

研究团队利用微滴微流控技术制备了标准化的结直肠癌类器官样本，共采集812张显微图像进行模型训练与验证。

与传统模型的对比：传统模型难以可靠区分活性和非活性类器官，预测误差显著放大；而OrganoidViT对活性和非活性类器官的预测相对误差分别为2.14%和1.73%，远优于其他预测模型。

图4. 不同模型在不同时间点的预测结果与真实值（Ground Truth）的对比

每张图像左下角的两个数字分别表示活性/非活性类器官的面积（像素数）。 所有图像中，红色标记区域代表活性类器官，绿色标记区域代表非活性类器官，黄色标记区域代表气泡。比例尺：500 μm。mAP@50：在交并比（IoU）阈值为0.50时的平均精度均值。

图5. U‑Net、U‑Net++、DeepLabv3 与 OrganoidViT 在测试集上的预测结果与真实值（Ground Truth）的对比

（a）四种模型在不同时间点对活性类器官的预测结果与真实值之间的相对误差，其中OrganoidViT表现出更小的相对误差。（b）四种模型在不同时间点对非活性类器官的预测结果与真实值之间的相对误差，其中OrganoidViT表现出更小的相对误差。需注意，第0天无非活性类器官数据，因此该日无相对误差值。（c）四种模型对气泡的预测结果与真实值之间的相对误差。由于部分边缘气泡在真实值中未被标注，而OrganoidViT能够部分预测这些边缘气泡，因此其在该项上的相对误差较大。数据以均值±标准差表示（n=37组类器官）。

OrganoidViT不仅能够识别活性区域，还可通过自定义形态参数提取器对每个类器官进行多维度量化评估。

图6. 利用OrganoidViT分析类器官生长的二维形态参数。

(a) 类器官生长动态示意图，上方为原始图像，下方为OrganoidViT预测结果。(b) 培养过程中37组类器官中单个类器官的面积分布及平均面积变化趋势。(c) 37组类器官中单个类器官的透明度分布及平均透明度变化趋势。(d) 37组类器官中单个类器官的圆度分布及平均圆度变化趋势。(e) 37组类器官中单个类器官的灰度熵分布及平均灰度熵变化趋势。线条上的白色菱形标志表示均值。数据以均值±标准差表示（n=37组类器官）。

研究团队选取了八种临床相关抑制剂，分别处理结直肠癌类器官，并利用OrganoidViT量化不同浓度下的药物反应：5-FU、CPT-11、Oxaliplatin、Adavosertib、Encorafenib、Lapatinib、Regorafenib、Sotorasib等,通过量类器官面积分布和类器官活力的变，OrganoidViT能够精确定量每种抑制剂的最佳治疗浓度与暴露时间，为临床前剂量选择提供了数据支撑。

图7. 利用OrganoidViT定量分析不同抑制剂对结直肠癌类器官的影响。

(a) 结直肠癌类器官抑制剂给药及图像采集图。(b–d) 不同抑制剂处理下结直肠癌类器官的非活性、活性及总平均面积在整个培养期间的变化趋势。图中灰色中心符号表示均值。(e–g) 左侧：自上而下、自左至右依次为第0天放大的明场图像、第0天OrganoidViT检测结果、培养最后一天放大的明场图像及培养最后一天OrganoidViT检测结果。右侧：基于OrganoidViT分析的在不同药物浓度下整个培养期间的平均类器官活力定量结果。数据以均值±标准差表示（n=421个类器官）。

研究团队在其他公开类器官数据集上训练了OrganoidViT模型，实现了人小肠类器官、人胰腺导管腺癌类器官和小鼠小肠类器官的分割。尽管这些公开数据集缺乏非活性类器官的标，OrganoidViT在公开数据集上的活性类器官预测中仍表现出强劲性能，突显了其分析其他类型类器官的潜力。

图8. OrganoidViT在其他公开数据集上的性能表现。

（a、e）在自建结直肠癌类器官数据集上的真实值与预测结果。（b、f）在OrgaSegment数据集[22]的人小肠类器官上的真实值与预测结果。（c、g）在OrganoID数据集[14]的人胰腺导管腺癌类器官上的真实值与预测结果。（d、h）在OrganoID数据集[14]的小鼠小肠类器官上的真实值与预测结果。每张图像左下角的数字表示活性类器官的面积（像素数）。