플랫폼 · AI 독성 예측

AI가 오가노이드 이미지를 일관된 독성 판단으로 바꿉니다

이미지 업로드에서 독성 판단까지

Live/Dead 형광 이미지와 시계열 명시야 이미지를 분석하고, 시간에 따른 변화를 학습해 약물 반응을 예측합니다. 모든 이미지에 같은 기준을 적용하고 수백 장을 한 번에 처리합니다.

배율과 관계없이 마이크로웰을 찾고, 기포나 배지 미충진으로 가려진 웰을 자동으로 제외합니다.

명시야·형광 이미지에서 구조체를 분할하고 웰별 면적, 형태, Live/Dead 신호를 측정합니다.

초기 시점 이미지로 최종 시점의 독성 등급(T0·T1·T2)과 생존율을 예측합니다.

연구자의 수정이 학습 데이터로 쌓이고, 결과는 감사 기록과 함께 PDF·엑셀로 내보냅니다.

Port Pocket 이미지 29장(마이크로웰 229개)으로 웰 검출과 판독 성능을 확인했습니다. 판독 정확도는 모델 설정에 쓰지 않은 배양 조건에서 측정했습니다.

0.996웰 검출 재현율 (228/229)

1.000웰 검출 정밀도

0.979보류 조건 판독 정확도 (142웰)

0.9996판독 AUC

정답 라벨은 연구진 1인 판독 기준이며, 2인 이상 교차 판독으로 확정할 예정입니다.

Transformer 기반 시계열 모델이 1–7일차 명시야 이미지(형태·크기·밀도)를 읽고 3D 성장 이상 시점을 찾아냅니다.

U-Net 모델이 Calcein-AM 형광 시계열 이미지와 MTT 생존율을 함께 학습해 이미지만으로 생존율을 예측합니다.