基于人工智能的斑马鱼幼虫形态学评估在发育毒性化学筛查中的应用研究

针对斑马鱼胚胎发育毒性筛查中传统人工评估效率低、主观性强的问题，美国国家环境健康科学研究所（NIEHS）团队通过深度学习技术开发了多视角卷积神经网络（MVCNN）分类模型和分割模型，实现了20类幼虫形态学改变的自动化识别（最高F1值0.88）和11个兴趣区域分割（9类IoU≥0.80），为发育毒性筛查提供了标准化、高重现性的AI解决方案。

在发育毒理学研究领域，斑马鱼（Danio rerio）因其与哺乳动物70%的基因组相似性、快速发育周期和高通量筛选潜力，已成为化学安全评估的重要模型。然而，传统依赖人工显微镜观察的形态学评估方法存在明显瓶颈：不同实验室在鱼种选择、暴露方案和表型判读标准上的差异导致数据可比性差，而人工筛查的效率局限和主观偏差更制约了大规模化学筛查的可靠性。OECD 236指南（鱼类胚胎急性毒性试验）等标准化框架虽已建立，但缺乏自动化分析手段的问题始终未解。

为突破这一技术壁垒，美国国家环境健康科学研究所（NIEHS）下属转化毒理学分部（DTT）发起的SEAZIT项目组，联合Sciome等机构研究人员开发了基于深度学习的AI评估体系。研究团队利用SEAZIT跨实验室研究中ZeClinics提供的斑马鱼幼虫多视角图像数据集（含39种化学物质暴露5天的形态学数据），构建了多视角卷积神经网络（MVCNN）分类模型和U-Net架构的分割模型。相关成果发表于《Aquatic Toxicology》，为发育毒性筛查提供了首个覆盖20类表型改变的综合AI解决方案。

关键技术方法包括：1）采用VAST BioImager™平台获取高通量多视角图像；2）基于迁移学习训练MVCNN模型实现二元（正常/异常）和多元（20类形态改变）分类；3）开发分割模型定量11个解剖学兴趣区域（如心脏、卵黄囊等）；4）使用F1分数和交并比（IoU）评估模型性能。

分类结果
MVCNN在区分正常与异常胚胎的二元任务中达到F1值0.88，8种特定形态学改变（如心包水肿、脊柱弯曲）的分类F1值超过0.70。通过将相关异常表型分组（如将不同头部畸形合并），7组中有5组F1值接近0.80，显示模型对明确表型的强识别能力。

分割结果
11个兴趣区域中9个的IoU≥0.80，其中卵黄囊（IoU=0.92）和眼部（IoU=0.89）分割精度最高，为定量化形态测量提供可靠工具。

讨论与结论
该研究首次实现了斑马鱼发育毒性筛查的端到端AI评估：1）分类模型可快速筛选80%以上典型异常图像，使专家能聚焦疑难样本；2）分割模型突破了传统软件（如ImageJ）仅能识别轮廓的限制，实现亚器官级定量；3）SEAZIT项目提供的标准化数据集（含>5,000张多视角图像）显著优于既往研究（样本量<1,000）。研究建立的AI框架为OECD 236指南等国际标准的实施提供了可重复的技术支撑，未来通过纳入更多化学物质和罕见表型数据，有望进一步推动斑马鱼模型在环境毒理学和药物开发中的规范化应用。