细胞激活状态确定方法、装置、电子设备及存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及一种细胞激活状态确定方法、装置、电子设备及存储介质。


背景技术：

2.在药物研发过程中，需要通过生物测量实验验证药物扰动后细胞的激活状态筛选药物。目前的细胞激活状态的检测方式为通过酶标仪测量细胞的生物荧光水平，但酶标仪的成本高，且测量过程耗时耗力并容易受到实验条件波动影响。


技术实现要素：

3.有鉴于此，本公开提出了一种细胞激活状态确定方法、装置、电子设备及存储介质，旨在基于高内涵图像准确的判断细胞激活状态。
4.根据本公开的一方面，提供了一种细胞激活状态确定方法，所述方法包括：
5.获取高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；
6.通过目标预测方式预测所述高内涵图像中免疫细胞的候选激活状态；所述目标预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种；
7.根据所述候选激活状态确定所述高内涵图像中免疫细胞的目标激活状态。
8.在一种可能的实现方式中，所述基于隐式特征的预测过程包括：
9.获取对照图像，所述对照图像是对未被免疫刺激因子处理的免疫细胞进行高内涵成像得到的；
10.提取所述高内涵图像的目标隐式特征，和所述对照图像的对照隐式特征；
11.将所述目标隐式特征和所述对照隐式特征之间的残差输入多层感知机，预测所述高内涵图像中免疫细胞的对应于隐式特征的候选激活状态。
12.在一种可能的实现方式中，所述基于树形模型的预测过程包括：
13.提取所述高内涵图像的图像显式特征和其中每个所述免疫细胞的实例显式特征，所述实例包括全细胞、细胞核、细胞质中至少一者；
14.根据所述高内涵图像的图像显式特征和所述实例显式特征确定树形模型输入特征，将所述树形模型输入特征输入预先训练得到的树形模型，得到对应的预测结果作为所述高内涵图像中免疫细胞的对应于树形模型的候选激活状态。
15.在一种可能的实现方式中，所述基于卷积神经网络的预测过程包括：
16.将所述高内涵图像输入训练得到的卷积神经网络，得到对应的预测结果作为所述高内涵图像中免疫细胞的对应于卷积神经网络的候选激活状态。
17.在一种可能的实现方式中，所述目标激活状态包括免疫细胞对应的激活状态类别；所述方法还包括：
18.获取测试高内涵图像，所述测试高内涵图像是对免疫细胞进行高内涵成像得到的，所述测试高内涵图像对应有实际激活状态类别；
19.通过各待测试预测方式预测所述测试高内涵图像中免疫细胞的测试激活状态类别；
20.根据各待测试预测方式预测的测试激活状态类别，对各待测试预测方式进行单个类别性能评估和/或多个类别性能评估，得到性能评估结果；所述单个类别性能评估包括对每个激活状态类别的性能指标进行评估；所述多个类别性能评估包括对不同激活状态类别之间发生分类错误的概率进行评估；所述待测试预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种预测方式中至少二者；
21.根据所述性能评估结果，从所述待测试预测方式中确定目标预测方式。
22.在一种可能的实现方式中，根据各待测试预测方式预测的测试激活状态类别，对各待测试预测方式进行单个类别性能评估和/或多个类别性能评估，包括：
23.对于每个待测试预测方式，确定该待测试预测方式对应的二维矩阵，所述二维矩阵的第一维度为该预测方式预测的各测试高内涵图像所对应的测试激活状态类别，第二维度为测试高内涵图像所对应的实际激活状态类别，所述二维矩阵中第一元素的值代表第一测试高内涵图像的数量，所述第一测试高内涵图像为预测激活状态类别为所述第一元素位置的第一维度坐标、实际激活状态类别为所述第一元素位置的第二维度坐标的测试高内涵图像；
24.对于每个待测试预测方式，根据该待测试预测方式对应的所述二维矩阵确定该待测试预测方式对应的多个类别性能评估的性能评估结果。
25.在一种可能的实现方式中，所述方法还包括：
26.确定所述待测试预测方式中的树形模型和/或卷积神经网络的决策信息；
27.根据所述性能评估结果，从所述待测试预测方式中确定目标预测方式，包括：
28.根据所述性能评估结果和所述决策信息，从所述待测试预测方式中确定目标预测方式。
29.在一种可能的实现方式中，所述确定所述待测试预测方式中的树形模型和/或卷积神经网络的决策信息，包括以下至少一个步骤：
30.可视化所述树形模型中各分支分类决策时所依据的显式特征；其中，所述树形模型的测试激活状态类别是根据测试高内涵图像的图像显示特征和测试高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；所述决策信息包括所述树形模型中各分支分类决策时所依据的显式特征；
31.根据显式特征的使用频率、依据显示特征进行分类决策的分支的深度、显式特征对分类决策的贡献中至少一者，确定显示特征对所述树形模型分类结果的重要程度；其中，所述树形模型的测试激活状态类别是根据测试高内涵图像的图像显示特征和测试高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；所述决策信息包括显示特征对所述树形模型分类结果的重要程度；
32.对于所述卷积神经网络对应的每个激活状态类别，将属于该激活状态类别概率最大的前n个测试高内涵图像对应的目标特征图映射到对应的测试高内涵图像，得到激活热力图；所述目标特征图为所述卷积神经网络的最后一个卷积层所对应的特征图；所述决策
信息包括所述激活热力图。
33.根据本公开的一方面，提供了一种细胞激活动力学的确定方法，所述方法包括：
34.获取同一免疫刺激因子、不同刺激条件下处理的多个高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；所述不同刺激条件包括浓度不同或时长不同；
35.通过目标预测方式预测所述多个高内涵图像中免疫细胞的候选激活状态；所述目标预测方式包括基于隐式特征的预测；
36.获取对照图像，所述对照图像是对未被免疫刺激因子处理的免疫细胞进行高内涵成像得到的；
37.提取所述多个高内涵图像的目标隐式特征，和所述对照图像的对照隐式特征；
38.计算所述多个高内涵图像的目标隐式特征和所述对照隐式特征之间的残差，得到与所述多个刺激条件一一对应的多个残差；
39.计算所述多个残差与参考残差之间的相似度，所述参考残差是所述多个残差中强度最大的刺激条件所对应的残差；
40.根据所述相似度变化曲线确定所述免疫刺激因子所对应的细胞激活动力学。
41.根据本公开的一方面，提供了一种细胞激活通路的确定方法，所述方法包括：
42.获取高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；
43.通过树形模型预测所述高内涵图像中免疫细胞的激活状态类别，所述激活状态类型选自m个激活状态类别中的一个；确定所述树形模型中每个激活状态类别对应的分支决策时所依据的显示特征；所述树形模型的激活状态类别是根据高内涵图像的图像显示特征和高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；和/或，通过卷积神经网络预测所述高内涵图像中免疫细胞的激活状态类别，所述激活状态类型选自所述m个激活状态类别中的一个；对于所述卷积神经网络对应的每个激活状态类别，将属于该激活状态类别概率最大的前n个高内涵图像对应的目标特征图映射到对应的高内涵图像，得到激活热力图，由此得到各激活状态类别对应的激活热力图；所述目标特征图为所述卷积神经网络的最后一个卷积层所对应的特征图；
44.根据不同激活状态类别所对应的显示特征的差异和/或激活热力图中热力图像素值大于像素值阈值的细胞区域的差异，确定细胞激活通路。
45.根据本公开的一方面，提供了一种细胞激活状态确定装置，所述装置包括：
46.图像获取模块，用于获取高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；
47.状态预测模块，用于通过目标预测方式预测所述高内涵图像中免疫细胞的候选激活状态；所述目标预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种；
48.状态确定模块，用于根据所述候选激活状态确定所述高内涵图像中免疫细胞的目标激活状态。
49.在一种可能的实现方式中，所述基于隐式特征的预测过程包括：
50.获取对照图像，所述对照图像是对未被免疫刺激因子处理的免疫细胞进行高内涵
成像得到的；
51.提取所述高内涵图像的目标隐式特征，和所述对照图像的对照隐式特征；
52.将所述目标隐式特征和所述对照隐式特征之间的残差输入多层感知机，预测所述高内涵图像中免疫细胞的对应于隐式特征的候选激活状态。
53.在一种可能的实现方式中，所述基于树形模型的预测过程包括：
54.提取所述高内涵图像的图像显式特征和其中每个所述免疫细胞的实例显式特征，所述实例包括全细胞、细胞核、细胞质中至少一者；
55.根据所述高内涵图像的图像显式特征和所述实例显式特征确定树形模型输入特征，将所述树形模型输入特征输入预先训练得到的树形模型，得到对应的预测结果作为所述高内涵图像中免疫细胞的对应于树形模型的候选激活状态。
56.在一种可能的实现方式中，所述基于卷积神经网络的预测过程包括：
57.将所述高内涵图像输入训练得到的卷积神经网络，得到对应的预测结果作为所述高内涵图像中免疫细胞的对应于卷积神经网络的候选激活状态。
58.在一种可能的实现方式中，所述目标激活状态包括免疫细胞对应的激活状态类别；所述装置还包括：
59.测试图像获取模块，用于获取测试高内涵图像，所述测试高内涵图像是对免疫细胞进行高内涵成像得到的，所述测试高内涵图像对应有实际激活状态类别；
60.类别预测模块，用于通过各待测试预测方式预测所述测试高内涵图像中免疫细胞的测试激活状态类别；
61.性能评估模块，用于根据各待测试预测方式预测的测试激活状态类别，对各待测试预测方式进行单个类别性能评估和/或多个类别性能评估，得到性能评估结果；所述单个类别性能评估包括对每个激活状态类别的性能指标进行评估；所述多个类别性能评估包括对不同激活状态类别之间发生分类错误的概率进行评估；所述待测试预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种预测方式中至少二者；
62.预测方式选择模块，用于根据所述性能评估结果，从所述待测试预测方式中确定目标预测方式。
63.在一种可能的实现方式中，所述性能评估模块，进一步用于：
64.对于每个待测试预测方式，确定该待测试预测方式对应的二维矩阵，所述二维矩阵的第一维度为该预测方式预测的各测试高内涵图像所对应的测试激活状态类别，第二维度为测试高内涵图像所对应的实际激活状态类别，所述二维矩阵中第一元素的值代表第一测试高内涵图像的数量，所述第一测试高内涵图像为预测激活状态类别为所述第一元素位置的第一维度坐标、实际激活状态类别为所述第一元素位置的第二维度坐标的测试高内涵图像；
65.对于每个待测试预测方式，根据该待测试预测方式对应的所述二维矩阵确定该待测试预测方式对应的多个类别性能评估的性能评估结果。
66.在一种可能的实现方式中，所述装置还包括：
67.信息确定模块，用于确定所述待测试预测方式中的树形模型和/或卷积神经网络的决策信息；
68.预测方式选择模块，进一步用于：
69.根据所述性能评估结果和所述决策信息，从所述待测试预测方式中确定目标预测方式。
70.在一种可能的实现方式中，所述信息确定模块，进一步用于执行至少一个步骤：
71.可视化所述树形模型中各分支分类决策时所依据的显式特征；其中，所述树形模型的测试激活状态类别是根据测试高内涵图像的图像显示特征和测试高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；所述决策信息包括所述树形模型中各分支分类决策时所依据的显式特征；
72.根据显式特征的使用频率、依据显示特征进行分类决策的分支的深度、显式特征对分类决策的贡献中至少一者，确定显示特征对所述树形模型分类结果的重要程度；其中，所述树形模型的测试激活状态类别是根据测试高内涵图像的图像显示特征和测试高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；所述决策信息包括显示特征对所述树形模型分类结果的重要程度；
73.对于所述卷积神经网络对应的每个激活状态类别，将属于该激活状态类别概率最大的前n个测试高内涵图像对应的目标特征图映射到对应的测试高内涵图像，得到激活热力图；所述目标特征图为所述卷积神经网络的最后一个卷积层所对应的特征图；所述决策信息包括所述激活热力图。
74.根据本公开的一方面，提供了一种细胞激活动力学的确定装置，所述装置包括：
75.图像确定模块，用于获取同一免疫刺激因子、不同刺激条件下处理的多个高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；所述不同刺激条件包括浓度不同或时长不同；
76.目标预测模块，用于通过目标预测方式预测所述多个高内涵图像中免疫细胞的候选激活状态；所述目标预测方式包括基于隐式特征的预测；
77.获取对照图像，所述对照图像是对未被免疫刺激因子处理的免疫细胞进行高内涵成像得到的；
78.隐式特征提取模块，用于提取所述多个高内涵图像的目标隐式特征，和所述对照图像的对照隐式特征；
79.残差计算模块，用于计算所述多个高内涵图像的目标隐式特征和所述对照隐式特征之间的残差，得到与所述多个刺激条件一一对应的多个残差；
80.相似度计算模块，用于计算所述多个残差与参考残差之间的相似度，所述参考残差是所述多个残差中强度最大的刺激条件所对应的残差；
81.曲线分析模块，用于根据所述相似度变化曲线确定所述免疫刺激因子所对应的细胞激活动力学。
82.根据本公开的一方面，提供了一种细胞激活通路的确定装置，所述装置包括：
83.图像采集模块，用于获取高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；
84.树形预测模块，用于通过树形模型预测所述高内涵图像中免疫细胞的激活状态类别，所述激活状态类型选自m个激活状态类别中的一个；确定所述树形模型中每个激活状态类别对应的分支决策时所依据的显示特征；所述树形模型的激活状态类别是根据高内涵图
像的图像显示特征和高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；和/或，通过卷积神经网络预测所述高内涵图像中免疫细胞的激活状态类别，所述激活状态类型选自所述m个激活状态类别中的一个；对于所述卷积神经网络对应的每个激活状态类别，将属于该激活状态类别概率最大的前n个高内涵图像对应的目标特征图映射到对应的高内涵图像，得到激活热力图，由此得到各激活状态类别对应的激活热力图；所述目标特征图为所述卷积神经网络的最后一个卷积层所对应的特征图；
85.热力分析模块，用于根据不同激活状态类别所对应的显示特征的差异和/或激活热力图中热力图像素值大于像素值阈值的细胞区域的差异，确定细胞激活通路。
86.根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
87.根据本公开的一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
88.根据本公开的一方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
89.在本公开实施例中，获取包括被免疫刺激因子处理后的免疫细胞的高内涵图像，通过基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种预测方式预测高内涵图像中免疫细胞的候选激活状态，并根据候选激活状态确定目标激活状态，提高了确定的免疫细胞激活状态的准确性。本公开实施例可以通过至少一种预测方式基于高内涵图像自动预测图像中的免疫细胞激活状态，无需通过酶标仪等设备检测的方式即可得到免疫细胞的激活状态。
90.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
91.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
92.图1示出根据本公开实施例的一种细胞激活状态确定方法的流程图；
93.图2示出根据本公开实施例的一种基于隐式特征的预测过程的示意图；
94.图3示出根据本公开实施例的一种相似度变化曲线的示意图；
95.图4示出根据本公开实施例的一种细胞分割的示意图；
96.图5示出根据本公开实施例的一种基于树形模型的预测过程的示意图；
97.图6示出根据本公开实施例的一种树形模型的决策信息的示意图；
98.图7示出根据本公开实施例的一种细胞激活状态确定装置的示意图；
99.图8示出根据本公开实施例的一种电子设备的示意图；
100.图9示出根据本公开实施例的另一种电子设备的示意图。
具体实施方式
101.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
102.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
103.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
104.在一种可能的实现方式中，本公开实施例的细胞激活状态确定方法可以由终端设备或服务器等电子设备执行。其中，终端设备可以为用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等任意固定或移动终端。服务器可以为单独的服务器或多个服务器组成的服务器集群。任意电子设备可以通过处理器调用存储器中存储的计算机可读指令的方式来实现本公开实施例的细胞激活状态确定方法。
105.图1示出根据本公开实施例的一种细胞激活状态确定方法的流程图。在一种可能的实现方式中，本公开实施例的细胞激活状态确定方法可以包括以下步骤s10-s30。
106.步骤s10、获取高内涵图像，高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的。
107.在一种可能的实现方式中，通过电子设备获取包括免疫细胞的高内涵图像，高内涵图像中的免疫细胞为被免疫刺激因子处理后的细胞，可以对被免疫刺激因子进行药物扰动后的免疫细胞进行图像采集(和图像预处理)的方式得到免疫细胞的高内涵图像。
108.其中，高内涵图像可以通过高内涵机器拍摄得到，其中记载细胞的染色情况，与自然场景图像存在一定差异。相比于自然场景图像，高内涵图像中可以含有少量高斯噪声以及少量的过度曝光点。同时，高内涵图像的像素范围为0-65535，是自然图像像素范围的256倍，有效区域在低区0-20000之间，高区无像素且分布方式为长尾分布。另外，自然场景图像通常为r、g、b三通道图像，每个通道分别表征一种色彩分布。而高内涵图像为六通道图像，每个通道分别用于观测一类细胞器，即六个通道分别对应内质网、细胞核、核糖体、高尔基体、肌动蛋白骨架和线粒体。可选地，电子设备可以通过接收高内涵机器拍摄后传输图像的方式获取原始高内涵图像。
109.可选地，以免疫细胞为t细胞为例，本公开实施例基于免疫刺激因子对免疫细胞进行药物扰动，并对药物扰动后的免疫细胞进行图像采集的过程可以为：将jurtkat活化t细胞的细胞核因子-荧光报告细胞扩增到预设的数量集后平铺在96孔板中。其中，96孔板为黑色侧边且底部透明的孔板，在平铺后将细胞在孔板中培养12小时，并在孔板中培养12小时之后使用pma、pha、cona、lonomycin、okt3等免疫刺激因子按照一定浓度，加入平铺有jurkat细胞的孔中实验处理6h，在处理到5.5h的情况下加入用于染色线粒体的染料，对线粒体进行0.5h的染色。在完成染色后再经过0.5h将每个孔内加入多聚甲醛以固定细胞，持续10min后清洗掉大部分培养基以及染色染料和多聚甲醛，只保留小部分。再加入含有对另外五种细胞器进行染色的缓冲液避光染色0.5h。在完成全部染色过程后清洗掉染料并加入
磷酸盐缓冲液清洗三遍后，放置在高内涵成像系统中进行拍照得到对应的六通道图像。
110.进一步地，电子设备可以直接确定高内涵成像系统拍摄的六通道图像为高内涵图像，或者还可以对高内涵成像系统拍摄的六通道图像进行图像预处理后得到高内涵图像。在对六通道图像进行图像预处理的情况下，预处理过程可以包括剔除无内容的图像。同时，由于每张图像是三维空间中的一个平面，其信号受该平面以上及以下的干扰容易造成图像模糊。因此，预处理过程还可以包括对图像进行去雾处理以增加图像的清晰度以及对比度。可选地，去雾处理过程可以通过deep channel prior算法实现。预处理处理可以包括对包含多个免疫细胞的高内涵图像进行单细胞分割或细胞器分割的步骤。
111.步骤s20、通过目标预测方式预测高内涵图像中免疫细胞的候选激活状态；目标预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种。
112.在一种可能的实现方式中，在获取高内涵图像后，电子设备可以通过目标预测方式预测高内涵图像中免疫细胞的激活状态，得到与目标预测方式一一对应的候选激活状态，以根据候选激活状态确定免疫细胞的目标激活状态。其中，目标预测方式可以包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中至少一种。目标预测方式可以是从更多待测试预测方式中筛选出的一种或几种预测方式。
113.目标预测方式可以包含基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中至少一种。
114.基于隐式特征的预测中，隐式特征可以为高内涵图像对应的高维特征向量。将隐式特征输入多层感知机，得到候选激活状态。隐式特征可用自监督模型提取，例如变分自编码器vae、掩码自编码器mae；也可用预训练图像分类模型提取，例如在imagenet上预训练后的resnet、efficientnet、mobilenet。隐式特征维度可选256、512、1024等数值，基于运算速度和准确度进行权衡。
115.基于树形模型的预测中，把树形模型输入特征输入树形模型，得到预测结果。树形模型包括但不限于决策树、随机森林、gbdt、xgboost、lightgbm等，选择树形模型的优点是分类过程对高维特征中的null值和值域范围鲁棒，不需要进行数据清洗和数值归一化，而且模型具有显著的可解释性，常用于生物医学领域。树形模型包含多个树模型的集成，每个树包含多个分支，每个分支选取部分特征作为决策依据，根据选取的特征的特征值大小进行二分类；每个树的叶子节点代表该树所有可能的分类情况；对所有树的叶子节点分类结果进行集成，即为树形模型最终的预测结果。
116.基于卷积神经网络的预测中，由多个卷积层、池化层、归一化层、激活层的堆叠构成卷积神经网络的基本骨架，通过残差连接、注意力机制、多尺度金字塔等构架设计加强模型的表征能力，最后一个卷积层计算全局平均池化得到展平的特征向量，通过全连接层和softmax得到代表多分类预测概率的一维向量。
117.下面描述各预测方式中模型训练时所使用的训练数据是如何获得的。
118.可选地，样本图像的标注激活状态可以酶标仪测定。在实验过程中，nfat是一个在免疫信号转导中起关键作用的转录因子，jurkat-nfat-luc含有一个受nfat响应元件调控的luciferase基因，当tcr/cd3复合物被刺激后导致细胞内plc-v的磷酸化和活化，胞内钙流与nfat通路的转录激活，从而使nfat-re介导的荧光产生。nfat水平与luciferase介导的
荧光信号水平直接的定量关系，nfat与luciferase之间的关系可建立为公式其中，i
max
表示最大强度，kd表示表观解离常数(apparent dissociation constant)，可以根据该公式将激活值非线性地划分为多个激活状态。进一步酶标仪检测的方式确定每个样本图像的激活值，并根据激活值所对应的激活状态确定该样本图像所对应的激活状态标签。将样本高内涵图像及其对应的激活状态标签作为训练数据。可通过随机裁剪、随机翻转、随机旋转、图像放缩等方式进行数据增强。
119.具体的，对于基于隐式特征的预测，首先训练隐式特征提取模型，得到预训练的隐式特征提取模型(例如，输入随机遮盖的原始样本高内涵图像，用编码器预测隐式特征，解码器由隐式特征恢复为恢复样本高内涵图像，根据原始样本高内涵图像和恢复样本高内涵图像之间的差异更新编码器和解码器，将更新好的编码器作为预训练的隐式特征提取模型)，再训练多层感知机(例如，将样本高内涵图像输入隐式特征提取模型和及下游连接的多层感知机，得到预测激活状态，根据预测激活状态和激活状态标签之间的差异更新多层感知机和预训练的隐式特征提取模型)。
120.对于基于树形模型的预测，初始化树形模型，根据样本高内涵图像确定样本高内涵图像对应的树形模型输入特征，将树形模型输入特征输入树形模型，得到预测激活状态，根据预测激活状态和激活状态标签之间的差异更新树形模型的参数。
121.对于基于卷积神经网络的训练使用常规训练方法，不再赘述。
122.图2示出根据本公开实施例的一种基于隐式特征的预测过程的示意图。
123.步骤s30、根据候选激活状态确定高内涵图像中免疫细胞的目标激活状态。
124.示例性的，若候选激活状态只有一个，可直接将候选激活状态确定为高内涵图像中免疫细胞的目标激活状态。若候选激活状态有多个，可将多个候选激活状态加权求和得到目标激活状态，各目标预测方式对应的权重可预先设置。若候选激活状态有多个，可将出现频次最高的候选激活状态作为目标激活状态。
125.基于上述技术特征，本公开实施例可以通过至少一种预测方式基于高内涵图像自动预测图像中的免疫细胞激活状态，无需通过酶标仪等设备检测的方式即可得到免疫细胞的激活状态。同时，通过目标预测方式预测得到的候选激活状态确定目标激活状态，提高了免疫细胞激活状态预测结果的准确性。
126.在一个具体实施方式中，基于隐式特征的预测过程可以根据高内涵图像对应的对照图像进行预测。具体而言，可以获取包括未被免疫刺激因子处理的细胞的对照图像，提取高内涵图像的目标隐式特征，和对照图像的对照隐式特征。根据目标隐式特征和对照隐式特征预测高内涵图像中免疫细胞的候选激活状态。其中，对照图像通过高内涵成像系统拍摄未被免疫刺激因子进行药物扰动的细胞得到，用于作为高内涵图像的对照。图像的隐式特征可以通过与高内涵图像相同的隐式特征提取网络提取，即可以通过将高内涵图像输入训练得到的隐式特征提取网络进行特征提取，得到预设维度的目标隐式特征，将对照图像输入训练得到的隐式特征提取网络进行特征提取，得到预设维度的对照隐式特征。
127.可选地，对照图像可以与高内涵图像同时采集得到，即在将免疫细胞平铺在孔板后，对孔板中每个孔间隔添加免疫刺激因子，并同时对添加了免疫刺激因子和其他未添加免疫刺激因子的免疫细胞进行其他相同的处理。在处理后通过高内涵成像系统采集孔板中
每个孔的图像，将添加了免疫刺激因子的孔获得的图像作为高内涵图像，相邻未添加免疫刺激因子的孔获得的图像作为对应的对照图像。
128.在一种可能的实现方式中，电子设备在确定目标隐式特征和对照隐式特征后，可以通过计算目标隐式特征和对照隐式特征的残差，以去除实验条件对特征数值的影响。之后，将残差输入多层感知机，得到基于隐式特征的候选激活状态。
129.可理解的是，将所述目标隐式特征和所述对照隐式特征之间的残差输入多层感知机之前，可计算对应于相同免疫刺激因子处理条件处理后(例如，都是a1浓度的a因子处理了a2时长)拍摄的多个高内涵图像的目标隐式特征之间的组内相似度，或者计算对应相同免疫刺激因子处理的多个高内涵图像的残差之间的组内相似度，仅将组内相似度达到预设相似度阈值的高内涵图像对应的残差输入多层感知机。
130.组内相似度可以表征组内实验一致性，相似度越高，代表该组别重复实验的一致性越好。因此，在组内相似度低于预设阈值的情况下，可以删除该组内相似度对应的两个样本图像，以去除可靠性低的数据。仅对组内相似度满足要求的高内涵图像进行激活状态预测。
131.在一个具体的实施方式中，电子设备还可以基于树形模型对高内涵图像中免疫细胞的激活状态进行预测，该基于树形模型的预测过程可以包括提取高内涵图像的图像显式特征和其中每个免疫细胞的实例显式特征，实例包括全细胞、细胞核、细胞质中至少一者。根据高内涵图像的图像显示特征和实例显示特征确定树形模型输入特征(直接将高内涵图像的图像显示特征和实例显示特征融合为树形模型输入特征，或者将各细胞对应的实例显式特征的统计值和高内涵图像的图像显示特征融合为树形模型输入特征)，将树形模型输入特征输入预先训练得到的树形模型，得到对应的预测结果作为高内涵图像中免疫细胞的候选激活状态。其中，显式特征可以通过识别高内涵图像中信息获取，该获取过程可以包括通过图像分割算法处理高内涵图像中每个免疫细胞，得到实例图像(全细胞、细胞核、细胞质实例分别对应全细胞图像、细胞核图像和细胞质图像)。再通过对全细胞图像、细胞核图像和细胞质图像进行特征提取，得到图像显式特征和每个免疫细胞的细胞显式特征。
132.图像分割算法可以是基于分水岭、水平集、区域生长的非深度学习方法方法，也可以是mask-rcnn、solo、deep snake等深度学习方法。对于深度学习方法，可采用预训练模型，并结合当前少量图像的人工分割标注进行模型微调。通过图像分割算法，分别对全细胞和细胞核进行实例级别的分离，其中全细胞是指包括细胞膜、细胞质、细胞核在内的区域。将每个实例的全细胞区域和细胞核区域之间取差集，得到全细胞边界与得到细胞核边界之间的区域，即为细胞质区域，如此可得到全细胞图像、细胞核图像和细胞质图像。可理解的是，图像分割可根据实例类型进行，如果实例为全细胞，可仅对全细胞进行图像分割，得到全细胞图像。如果实例为全细胞和细胞核，可仅对全细胞和细胞核进行图像分割，得到全细胞图像和细胞核图像。如果实例为全细胞、细胞核和细胞质量，还需要全细胞区域和细胞核区域之间取差集，得到细胞质图像。图4示出根据本公开实施例的一种细胞分割的示意图。
133.在一种可能的实现方式中，电子设备可以通过显式特征提取模型提取图像和实例级别的显式特征，也可通过现有的cellprofiler等细胞图像分析软件基于全细胞图像、细胞核图像和细胞质图像分析得到图像显式特征和实例显式特征。其中，图像显式特征可以包括以下5类：1.占比类特征，包括totalarea(所有分割实例占整个图像的总面积)、
totalperimeter(所有分割实例的周长之和)、totalobjcetnum(图像中的所有实例数)。2.强度类特征，包括totalintensity(所有像素强度之和)、meanintensity(所有像素强度的平均值)、medianintensity(所有像素强度的中值)、stdintensity(所有像素强度的标准差)、madintensity(所有像素强度的中值绝对偏差)、minintensity(所有像素强度的最小值)、maxintensity(所有像素强度的最大值)、lowerquartileintensity(整体分布在较低25％的像素强度值)、upperquartileintensity(整体分布在较高25％的像素强度值).3.实例分割类特征：tp(所有实例分割的真阳性率)、fp(所有实例分割的假阳性率)、tn(所有实例分割的真阴性率)、fn(所有实例分割的假阴性率)、precision(所有实例分割的精确率)、recall(所有实例分割的召回率)、f-factor(所有实例分割的f1 score)。4.纹理类特征：angularsecondmoment(测量图像的均匀性)、contrast(测量图像中的局部变化)、correlation(测量图像中强度值的线性相关性)、sumvariance(测量图像强度值变化的剧烈程度)、sumentropy(测量图像强度值的随机性程度)。5.空间分布类特征：cluster(细胞实例的聚集程度)、position(细胞实例在图像中的位置)、distance(细胞实例之间的邻接距离)。实例显式特征可以包括包含以下几类：1.大小类特征：area(实例所占面积)、perimeter(实例的周长)。2.形态类特征：formfactor(实例形状与圆形的相似度)、equivalentdiameter(与实例面积相同的圆的直径)、convexarea(包含整个实例的凸多边形的面积)、solidity(实例所占面积除以凸多边形所占面积)、boundingbox(实例最小/最大的xy坐标围成的矩形为边界框)、extent(实例所占面积除以边界框所占面积)、center(距离任何实例边上最远的点为质心)、maximumradius(实例中任意像素到实例外部最近像素的最大距离)、medianradius(实例中任意像素到实例外部最近像素的中值距离)、meanradius(实例中任意像素到实例外部最近像素的平均距离)、spatialmoment(表示实例形状、大小、旋转和位置的一系列加权平均值)、centralmoment(类似于空间矩，但位置标准化为对象的质心)、normalizedmoment(类似于中心矩，但进一步归一化为尺度不变)、humoment(不受实例位置、大小、旋转的影响，主要描述大小的形状)。3.强度类特征：totalintensity(实例内像素强度之和)、meanintensity(实例内像素强度的平均值)、medianintensity(实例内像素强度的中值)、stdintensity(实例内像素强度的标准差)、madintensity(实例内像素强度的中值绝对偏差)、minintensity(实例内像素强度的最小值)、maxintensity(实例内像素强度的最大值)、lowerquartileintensity(实例内分布在较低25％的像素强度值)、upperquartileintensity(实例内分布在较高25％的像素强度值)、centermass(实例内所有像素强度的加权质心)。4.实例分割类特征：tp(单个实例分割的真阳性率)、fp(单个实例分割的假阳性率)、tn(单个实例分割的真阴性率)、fn(单个实例分割的假阴性率)、precision(单个实例分割的精确率)、recall(单个实例分割的召回率)、f-factor(单个实例分割的f1 score)。
134.可选地，电子设备可以对图像显式特征和细胞显式特征进行特征融合，再将融合后得到显式特征输入预先训练得到的树形模型，得到对应的预测结果作为高内涵图像中免疫细胞的候选激活状态。对于一幅多通道图像，假设图像通道数为c，图像中的细胞个数为m。在图像显式特征有a种，细胞显式特征有b种的情况下，图像一共可以提取到图像显式特征cxa种，提取到细胞显式特征cxmx3xb种。电子设备可以对图像显式特征和细胞显式特征进行特征融合，取一幅图像中所有细胞显式特征统计值(如均值、中位数、方差)来近似代表
细胞显式特征的分布，将这些统计值与图像显式特征进行拼接融合得到图像的显式特征向量维度为cxa+cx3x3xb＝cx(a+9b)。
135.图5示出根据本公开实施例的一种基于树形模型的预测过程的示意图。如图5所示，在通过树形模型预测高内涵图像中免疫细胞激活状态的情况下，电子设备可以先获取高内涵图像50，对高内涵图像50进行细胞分割51以及显式特征提取52，得到对应的图像显式特征53和实例显式特征54。其中，图像显式特征是整个高内涵图像的显式特征，实例显示特征是针对高内涵图像中每个免疫实例(全细胞、细胞核、细胞质中至少一者)提取的显式特征。进一步地，将图像显式特征53和实例显式特征54输入树形模型55中，由树形模型55预测得到高内涵图像中免疫细胞的候选激活状态56。
136.在一种可能的实现方式中，本公开实施例还可以基于卷积神经网络预测细胞的候选激活状态，即将高内涵图像输入训练得到的卷积神经网络，得到对应的预测结果作为高内涵图像中免疫细胞的候选激活状态。
137.在一种可能的实现方式中，本公开实施例的目标激活状态包括免疫细胞对应的激活状态类别，各待测试预测方式对应的模型均包括分类模型，在步骤s10-s30前，本公开实施例的方法还包括：
138.步骤s40、获取测试高内涵图像，测试高内涵图像是对免疫细胞进行高内涵成像得到的，测试高内涵图像对应有实际激活状态类别；
139.可理解的是，测试高内涵图像对应的实际激活状态类别也可基于酶标仪确定。
140.步骤s50、通过各待测试预测方式预测测试高内涵图像中免疫细胞的测试激活状态类别；
141.可理解的是，对于各待测试预测方式，先训练模型，再用训练好的模型进行预测测试高内涵图像中免疫细胞的测试激活状态类别。
142.步骤s60、根据各待测试预测方式预测的测试激活状态类别，对各待测试预测方式进行单个类别性能评估和/或多个类别性能评估，得到性能评估结果；单个类别性能评估包括对每个激活状态类别的性能指标进行评估；多个类别性能评估包括对不同激活状态类别之间发生分类错误的概率进行评估；待测试预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种预测方式中至少二者；
143.单个类别性能评估包括计算每种预测方式对应的候选激活状态的分类准确率(accuracy)、精确率/查准率(precision)、召回率/查全率/灵敏度(sensitivity)、特异性(specificity)、f1分数(f1 score)、受试者工作特征曲线(receiver operating characteristic curve，roc)、auc(area under curve)中的至少一种。
144.多个类别性能评估包括对不同激活状态类别之间发生分类错误的概率进行评估，例如统计预测方式误将第一激活状态类别的测试高内涵图像预测为第二激活状态类别的概率。
145.步骤s70、根据性能评估结果，从待测试预测方式中确定目标预测方式。
146.在该实现方式中，通过测试高内涵图像对待测试预测方式进行性能评估，根据性能评估结果，从待测试预测方式中选取性能评估结果满足要求的目标预测方式。可理解的是，目标预测方式为待测试预测方式的子集。步骤s70还可以同时确定根据目标预测方式对应的候选预测结果确定目标预测结果的方式。
147.对性能评估结果的要求例如可以是，各激活状态类别的分类准确率均达到90％，将第一激活状态类别误分为第二激活状态类别的概率小于10％(例如第一激活状态和第二激活状态是两个容易混淆的激活状态)。例如还可以是，各激活状态类别的分类准确率为前2。
148.本公开实施例对多个预测方式从单个类别/多个类别进行性能评估后确定目标预测方式，能够筛选出准确率高的预测方式用于预测，能够进一步提高预测准确率。
149.在一种可能的实现方式中，步骤s60的多个类别性能评估的方式为：
150.s601:对于每个待测试预测方式，确定该待测试预测方式对应的二维矩阵，二维矩阵的第一维度为该预测方式预测的各测试高内涵图像所对应的测试激活状态类别，第二维度为测试高内涵图像所对应的实际激活状态类别，二维矩阵中第一元素的值代表第一测试高内涵图像的数量，第一测试高内涵图像为预测激活状态类别为第一元素位置的第一维度坐标、实际激活状态类别为第一元素位置的第二维度坐标的测试高内涵图像；
151.以第一维度和第二维度分别为列和行为例，二维矩阵的每行和每列均表征激活状态，其中每行表征实际激活状态类别，每列表征测试激活状态类别。二维矩阵中i行j列的值表示原本第i类的数据经过当前预测方式被分为第j类的概率。因此，二维矩阵中对角线上的元素概率越大，表示当前预测结果准确概率越高，非对角线上的元素则反映出当前预测结果针对每类样本以什么样的偏好发生了错误分类。
152.二维矩阵中的第一维度和第二维度所对应的激活状态类别可以按照激活状态类别所对应的等级由低到高或由高到低排列。例如，二维矩阵的第1行到最后一行分别代表实际激活状态为第1类-第n类，二维矩阵的第1列到最后一列分别代表测试激活状态为第1类-第n类。
153.s602:对于每个待测试预测方式，根据该待测试预测方式对应的二维矩阵确定该待测试预测方式对应的多个类别性能评估的性能评估结果。
154.在确定每个预测方式的二维矩阵后，电子设备可以根据二维矩阵确定对应的性能评估结果。例如，可根据第i行第i列元素占第i行所有元素之和中的比例，来确定激活状态为第i类的测试高内涵图像的激活状态被正确预测的概率。
155.性能评估结果还可以根据与二维矩阵和与二维矩阵对应的容忍矩阵确定。容忍矩阵中第i行第j列元素的元素值可以表征对第i类激活状态分类到第j类的容忍程度，容忍程度越大，元素值越小。对角线元素可以为0，表明对对角线元素容忍度大(因为是分类正确的)，对角线元素的邻近元素也可以为0，表明对将真实为第i类的激活状态分类为第i+1或第i-1类也是可以容忍的。而将真实为第i类的激活状态分类为第i+4类、第i-4类则是不能容忍的，此时可将容忍矩阵中第i行第i+4列、第i-4列元素设置为4。对将真实为第i类的激活状态分类为第i+2类、第i-2类、第i+3类、第i-3类的容忍度高于将真实为第i类的激活状态分类为第i+4类、第i-4类，可将容忍矩阵中第i行第i+2列、第i-2列元素设置为2，容忍矩阵中第i行第i+3列、第i-3列元素设置为3。之后，可将二维矩阵与容忍矩阵元素相乘，得到多个类别性能评估的分数，分数越高，性能越差。
156.在一种可能的实现方式中，本公开实施例的方法还包括：
157.步骤s80、确定所述待测试预测方式中的树形模型和/或卷积神经网络的决策信息；
158.图6示出根据本公开实施例的一种树形模型的决策信息的示意图。
159.相应的，步骤s70包括：根据性能评估结果和决策信息，从待测试预测方式中确定目标预测方式。
160.可理解的是，树形模型是具有显著的可解释性的模型，可采用工具可视化树形模型的决策过程和决策依据，例如在每个分支是依据哪些特征进行决策的，各显示特征对于树形模型决策的重要程度。
161.对于卷积神经网络，可采用工具可视化不同类别与输入图像的哪个区域有关。
162.免疫细胞激活状态的判定具有生物学上的意义，如果根据先验知识发现决策信息不合理，可弃用该决策信息所对应的预测方式。如此，可过滤性能不满足要求或决策信息不合理的预测方式，从而保留精度高且决策依据符合生物学意义的预测方式作为目标预测方式。
163.具体的，步骤s80可包括步骤s801-s803中至少一个步骤：
164.步骤s801：可视化所述树形模型中各分支分类决策时所依据的显式特征；其中，所述树形模型的测试激活状态类别是根据测试高内涵图像的图像显示特征和测试高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；此时决策信息包括树形模型中各分支分类决策时所依据的显式特征。
165.可选地，借助graphviz软件包功能，能够可视化出所有树的所有分支针对特征进行决策的显式过程。
166.步骤s802：根据显式特征的使用频率、依据显示特征进行分类决策的分支的深度、显式特征对分类决策的贡献中至少一者，确定显示特征对所述树形模型分类结果的重要程度；其中，树形模型的测试激活状态类别是根据测试高内涵图像的图像显示特征和测试高内涵图像所包括的实例显示特征确定的；实例包括全细胞、细胞核、细胞质中至少一者；决策信息包括显示特征对树形模型分类结果的重要程度。
167.示例性的，本公开实施例的图像显式特征和细胞显式特征可以根据对树形模型输出结果的影响强度筛选得到。即可以在树形模型的训练过程中，基于特征的使用频率、出现次数、特征所在分支的深度，以及对分类决策的增益和贡献判断特征对预测结果的重要程度。特征的使用频率和出现次数越高、特征所在分支的深度越小，对分类决策的增益和贡献越大，对分类结果的重要程度越高。示例性的，可通过sklearn软件包计算显示特征的重要程度。该分析重要程度的过程可以包括基于高内涵图像不同通道的显示特征进行统计分析，由于不同通道反映不同亚细胞结构(包括线粒体、蛋白质等)，可以统计出哪些亚细胞结构特征对免疫激活分类的重要性更高，也就是免疫激活更倾向于影响哪些亚细胞结构的特征。另外，还可以基于不同的特征类型进行统计分析，显式特征包括图像级-占比类、图像级-强度类、图像级-细胞分割类、图像级-纹理类、细胞级-大小类、细胞级-形态类、细胞级-强度类、细胞级-细胞分割类，可以统计出免疫细胞激活与图像或细胞的哪些类型的显式特征具有密切关联。由于显式特征具有明确的物理含义，反应了图像纹理、细胞形态大小等信息，以上两种统计反映出不同亚细胞结构的不同特征与免疫细胞激活程度的相关性，有助于探索药物对免疫细胞激活通路的相关生物学研究。
168.步骤s803：对于所述卷积神经网络对应的每个激活状态类别，将属于该激活状态类别概率最大的前n个测试高内涵图像对应的目标特征图映射到对应的测试高内涵图像，
得到激活热力图；所述目标特征图为所述卷积神经网络的最后一个卷积层所对应的特征图。
169.卷积神经网络在训练或者应用的过程中还可以对图像内容的重要性进行统计分析。示例性地，该统计分析过程可以基于grad-cam算法实现，该算法是一种基于梯度定位的深层网络可视化方法，基本原理是计算最后一个卷积层中每个特征图对图片类别的权重，然后求每个特征图的加权和，最后把加权和的特征图映射到原始图片中，以热力图的形式表示原始图像中各个区域对分类的贡献程度，热力图幅值越大，说明该图像区域的贡献越大，从而反映出卷积神经网络模型的分类依据。基于上述算法，通过卷积神经网络进行预测的方式对于预测的多分类结果中的每一类别，可视化出与该类别对应的前20-50个细胞被高度激活的高内涵图像作为高激活图像，并确定对应的激活热度图，从高激活图像中归纳出与每个激活等级对应的细胞图像具有哪些共同特征(包括形态、大小等特征)，从对应的激活热度图归纳出不同免疫细胞激活等级中与哪些特定的细胞区域有关(包括细胞核、细胞质、细胞膜等区域)。由于图像内容热度图直观反应了图像特定区域对免疫激活的相关性，以上统计分析有助于观察随着激活程度逐渐升高，细胞内发生的主要变化，有助于探索免疫细胞激活通路的相关生物学研究。
170.本发明实施例还公开了一种细胞激活动力学的确定方法，包括以下步骤：
171.s110：获取同一免疫刺激因子、不同刺激条件下处理的多个高内涵图像，高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；不同刺激条件包括浓度不同或时长不同。不同刺激条件例如是a刺激因子在a1-a4 4种浓度下分别处理1h，或在a1浓度下分别处理1-4h。
172.s120：通过目标预测方式预测多个高内涵图像中免疫细胞的候选激活状态；目标预测方式包括基于隐式特征的预测；
173.s130：获取对照图像，对照图像是对未被免疫刺激因子处理的免疫细胞进行高内涵成像得到的。
174.s140：提取多个高内涵图像的目标隐式特征，和对照图像的对照隐式特征。
175.s150：计算多个高内涵图像的目标隐式特征和对照隐式特征之间的残差，得到与多个刺激条件一一对应的多个残差。
176.s160：计算多个残差与参考残差之间的相似度，参考残差是多个残差中强度最大的刺激条件所对应的残差。
177.对于对照图像、隐式特征、残差的说明参见前文，不再赘述。
178.参考残差是个残差中强度最大的刺激条件所对应的残差。例如，不同刺激条件例如是a刺激因子在a1-a4 4种浓度下分别处理1h，则a4浓度处理1h采集的高内涵图像所对应的残差为参考残差。可理解的是，参考残差也可以是相同处理条件的多个高内涵图像对应的残差的平均值。
179.可理解的是，在计算与参考残差之间的相似度前，可计算对应于相同免疫刺激因子处理条件处理后(例如，都是a1浓度的a因子处理了a2时长)拍摄的多个高内涵图像的目标隐式特征之间的组内相似度，或者计算对应相同免疫刺激因子处理的多个高内涵图像的残差之间的组内相似度，仅将组内相似度达到预设相似度阈值的高内涵图像对应的残差与参考残差之间的相似度。
180.s170：根据相似度变化曲线确定免疫刺激因子所对应的细胞激活动力学。
181.可理解的是，可以刺激条件为横坐标，相似度为纵坐标，绘制相似度变化曲线。可提取相似度变化曲线的拐点、线性部分，计算线性部分的斜率，从而确定细胞激活动力学。
182.可理解的是，斜率越大，说明细胞对激活刺激因子越敏感。
183.图3(a)中两条曲线分别为不同tnf-alpha浓度下的相似度变化曲线和对照组(不加任何刺激因此)的相似度变化曲线。可见随着tnf-alpha浓度的升高，huvec细胞先被迅速激活然后逐渐达到饱和；图3(b)中两条曲线分别为不同il-6-r浓度下的相似度变化曲线和对照组(不加任何刺激因此)的相似度变化曲线。可见随着il-6-r浓度的升高，huvec细胞在浓度较高的时候才被激活，反映出huvec细胞对tnf-alpha的敏感度高于il-6-r。
184.根据本公开实施例，可自动化的通过不同刺激条件下隐式特征之间相似度确定细胞激活动力学，可作为根据不同刺激条件下目标激活状态确定细胞激活动力学的有效补充。
185.本公开实施例还公开了一种细胞激活通路的确定方法，包括以下步骤：
186.s210：获取高内涵图像，高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；
187.s220：包括步骤s2201和/或步骤s2202。
188.s2201：通过树形模型预测高内涵图像中免疫细胞的激活状态类别，激活状态类型选自m个激活状态类别中的一个；确定树形模型中每个激活状态类别对应的分支决策时所依据的显示特征；树形模型的激活状态类别是根据高内涵图像的图像显示特征和高内涵图像所包括的实例显示特征确定的；实例包括全细胞、细胞核、细胞质中至少一者。
189.可理解的是，树形结构包含多个分支，每个分支选取部分特征作为决策依据，根据选取的特征的特征值大小进行二分类；每个树的叶子节点代表该树所有可能的分类情况。例如，激活状态类别1对应一级节点分支1，二级节点1分支1，三级节点1分支1，可根据一级节点、二级节点1、三级节点1决策所依据的显示特征确定激活状态类别1决策时所依据的显示特征。
190.示例性的，还可统计确定树形模型中每个激活状态类别对应的分支决策时所依据的显示特征的重要程度。
191.s2202：通过卷积神经网络预测高内涵图像中免疫细胞的激活状态类别，激活状态类型选自m个激活状态类别中的一个；对于卷积神经网络对应的每个激活状态类别，将属于该激活状态类别概率最大的前n个高内涵图像对应的目标特征图映射到对应的高内涵图像，得到激活热力图，由此得到各激活状态类别对应的激活热力图；目标特征图为卷积神经网络的最后一个卷积层所对应的特征图。
192.可理解的是，多种预测方式对应的全量激活状态类别是一致的，例如都是m个激活状态类别，对于一个高内涵图像所对应激活状态的预测结果是m个激活状态类别中的一个。
193.s230：根据不同激活状态类别所对应的显示特征的差异和/或激活热力图中热力图像素值大于像素值阈值的细胞区域的差异，确定细胞激活通路。
194.本公开实施例中，可借助树形模型和/或卷积神经网络的可解释性确定细胞激活通路。观察随着激活程度逐渐升高，细胞内发生的主要变化，有助于探索免疫细胞激活通路的相关生物学研究。对于树形模型，由于显式特征具有明确的物理含义，反应了图像纹理、
细胞形态大小等信息，对决策时所依据的显示特征的统计反映出不同亚细胞结构的不同特征与免疫细胞激活程度的相关性，有助于探索药物对免疫细胞激活通路的相关生物学研究。对于基于卷积神经网络激活预测模型，对每个等级下的激活热度图进行可视化可发现，细胞未激活状态，整体颜色偏向于绿色，颜色均匀(明亮)，形状圆润，细胞低激活后，颜色偏向于红色，颜色不均(暗淡)，形状边缘不规则；细胞中激活后，actin(肌动蛋白)通道的颜色(红色)变亮，mito(线粒体)通道的颜色(玫红)也会变亮，图像中红色区域明显增加；细胞高激活后，促进增殖，出现细胞分裂，处于分裂状态的细胞明显增加。
195.图7示出根据本公开实施例的一种细胞激活状态确定装置的示意图。
196.图像获取模块，用于获取高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；
197.状态预测模块，用于通过目标预测方式预测所述高内涵图像中免疫细胞的候选激活状态；所述目标预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种；
198.状态确定模块，用于根据所述候选激活状态确定所述高内涵图像中免疫细胞的目标激活状态。
199.在一种可能的实现方式中，所述基于隐式特征的预测过程包括：
200.获取对照图像，所述对照图像是对未被免疫刺激因子处理的免疫细胞进行高内涵成像得到的；
201.提取所述高内涵图像的目标隐式特征，和所述对照图像的对照隐式特征；
202.将所述目标隐式特征和所述对照隐式特征之间的残差输入多层感知机，预测所述高内涵图像中免疫细胞的对应于隐式特征的候选激活状态。
203.在一种可能的实现方式中，所述基于树形模型的预测过程包括：
204.提取所述高内涵图像的图像显式特征和其中每个所述免疫细胞的实例显式特征，所述实例包括全细胞、细胞核、细胞质中至少一者；
205.根据所述高内涵图像的图像显式特征和所述实例显式特征确定树形模型输入特征，将所述树形模型输入特征输入预先训练得到的树形模型，得到对应的预测结果作为所述高内涵图像中免疫细胞的对应于树形模型的候选激活状态。
206.在一种可能的实现方式中，所述基于卷积神经网络的预测过程包括：
207.将所述高内涵图像输入训练得到的卷积神经网络，得到对应的预测结果作为所述高内涵图像中免疫细胞的对应于卷积神经网络的候选激活状态。
208.在一种可能的实现方式中，所述目标激活状态包括免疫细胞对应的激活状态类别；所述装置还包括：
209.测试图像获取模块，用于获取测试高内涵图像，所述测试高内涵图像是对免疫细胞进行高内涵成像得到的，所述测试高内涵图像对应有实际激活状态类别；
210.类别预测模块，用于通过各待测试预测方式预测所述测试高内涵图像中免疫细胞的测试激活状态类别；
211.性能评估模块，用于根据各待测试预测方式预测的测试激活状态类别，对各待测试预测方式进行单个类别性能评估和/或多个类别性能评估，得到性能评估结果；所述单个类别性能评估包括对每个激活状态类别的性能指标进行评估；所述多个类别性能评估包括
对不同激活状态类别之间发生分类错误的概率进行评估；所述待测试预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种预测方式中至少二者；
212.预测方式选择模块，用于根据所述性能评估结果，从所述待测试预测方式中确定目标预测方式。
213.在一种可能的实现方式中，所述性能评估模块，进一步用于：
214.对于每个待测试预测方式，确定该待测试预测方式对应的二维矩阵，所述二维矩阵的第一维度为该预测方式预测的各测试高内涵图像所对应的测试激活状态类别，第二维度为测试高内涵图像所对应的实际激活状态类别，所述二维矩阵中第一元素的值代表第一测试高内涵图像的数量，所述第一测试高内涵图像为预测激活状态类别为所述第一元素位置的第一维度坐标、实际激活状态类别为所述第一元素位置的第二维度坐标的测试高内涵图像；
215.对于每个待测试预测方式，根据该待测试预测方式对应的所述二维矩阵确定该待测试预测方式对应的多个类别性能评估的性能评估结果。
216.在一种可能的实现方式中，所述装置还包括：
217.信息确定模块，用于确定所述待测试预测方式中的树形模型和/或卷积神经网络的决策信息；
218.预测方式选择模块，进一步用于：
219.根据所述性能评估结果和所述决策信息，从所述待测试预测方式中确定目标预测方式。
220.在一种可能的实现方式中，所述信息确定模块，进一步用于执行至少一个步骤：
221.可视化所述树形模型中各分支分类决策时所依据的显式特征；其中，所述树形模型的测试激活状态类别是根据测试高内涵图像的图像显示特征和测试高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；所述决策信息包括所述树形模型中各分支分类决策时所依据的显式特征；
222.根据显式特征的使用频率、依据显示特征进行分类决策的分支的深度、显式特征对分类决策的贡献中至少一者，确定显示特征对所述树形模型分类结果的重要程度；其中，所述树形模型的测试激活状态类别是根据测试高内涵图像的图像显示特征和测试高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；所述决策信息包括显示特征对所述树形模型分类结果的重要程度；
223.对于所述卷积神经网络对应的每个激活状态类别，将属于该激活状态类别概率最大的前n个测试高内涵图像对应的目标特征图映射到对应的测试高内涵图像，得到激活热力图；所述目标特征图为所述卷积神经网络的最后一个卷积层所对应的特征图；所述决策信息包括所述激活热力图。
224.本公开实施例还公开了一种细胞激活动力学的确定装置，所述装置包括：
225.图像确定模块，用于获取同一免疫刺激因子、不同刺激条件下处理的多个高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；所述不同刺激条件包括浓度不同或时长不同；
226.目标预测模块，用于通过目标预测方式预测所述多个高内涵图像中免疫细胞的候
选激活状态；所述目标预测方式包括基于隐式特征的预测；
227.获取对照图像，所述对照图像是对未被免疫刺激因子处理的免疫细胞进行高内涵成像得到的；
228.隐式特征提取模块，用于提取所述多个高内涵图像的目标隐式特征，和所述对照图像的对照隐式特征；
229.残差计算模块，用于计算所述多个高内涵图像的目标隐式特征和所述对照隐式特征之间的残差，得到与所述多个刺激条件一一对应的多个残差；
230.相似度计算模块，用于计算所述多个残差与参考残差之间的相似度，所述参考残差是所述多个残差中强度最大的刺激条件所对应的残差；
231.曲线分析模块，用于根据所述相似度变化曲线确定所述免疫刺激因子所对应的细胞激活动力学。
232.本公开实施例还公开了一种细胞激活通路的确定装置，所述装置包括：
233.图像采集模块，用于获取高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；
234.树形预测模块，用于通过树形模型预测所述高内涵图像中免疫细胞的激活状态类别，所述激活状态类型选自m个激活状态类别中的一个；确定所述树形模型中每个激活状态类别对应的分支决策时所依据的显示特征；所述树形模型的激活状态类别是根据高内涵图像的图像显示特征和高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；和/或，通过卷积神经网络预测所述高内涵图像中免疫细胞的激活状态类别，所述激活状态类型选自所述m个激活状态类别中的一个；对于所述卷积神经网络对应的每个激活状态类别，将属于该激活状态类别概率最大的前n个高内涵图像对应的目标特征图映射到对应的高内涵图像，得到激活热力图，由此得到各激活状态类别对应的激活热力图；所述目标特征图为所述卷积神经网络的最后一个卷积层所对应的特征图；
235.热力分析模块，用于根据不同激活状态类别所对应的显示特征的差异和/或激活热力图中热力图像素值大于像素值阈值的细胞区域的差异，确定细胞激活通路。
236.在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
237.本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
238.本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
239.本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
240.图8示出根据本公开实施例的一种电子设备800的示意图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
241.参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)接口812，传感器组件814，以及通信组件816。
242.处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
243.存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
244.电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
245.多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
246.音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
247.i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
248.传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
249.通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
250.在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
251.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
252.图9示出根据本公开实施例的另一种电子设备1900的示意图。例如，电子设备1900可以被提供为一服务器或终端设备。参照图9，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
253.电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm或类似。
254.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
255.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
256.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
257.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外
部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
258.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
259.这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
260.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
261.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
262.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
263.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也
不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

技术特征：
1.一种细胞激活状态确定方法，其特征在于，所述方法包括：获取高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；通过目标预测方式预测所述高内涵图像中免疫细胞的候选激活状态；所述目标预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种；根据所述候选激活状态确定所述高内涵图像中免疫细胞的目标激活状态。2.根据权利要求1所述的方法，其特征在于，所述基于隐式特征的预测过程包括：获取对照图像，所述对照图像是对未被免疫刺激因子处理的免疫细胞进行高内涵成像得到的；提取所述高内涵图像的目标隐式特征，和所述对照图像的对照隐式特征；将所述目标隐式特征和所述对照隐式特征之间的残差输入多层感知机，预测所述高内涵图像中免疫细胞的对应于隐式特征的候选激活状态。3.根据权利要求1或2所述的方法，其特征在于，所述基于树形模型的预测过程包括：提取所述高内涵图像的图像显式特征和其中每个所述免疫细胞的实例显式特征，所述实例包括全细胞、细胞核、细胞质中至少一者；根据所述高内涵图像的图像显式特征和所述实例显式特征确定树形模型输入特征，将所述树形模型输入特征输入预先训练得到的树形模型，得到对应的预测结果作为所述高内涵图像中免疫细胞的对应于树形模型的候选激活状态。4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述基于卷积神经网络的预测过程包括：将所述高内涵图像输入训练得到的卷积神经网络，得到对应的预测结果作为所述高内涵图像中免疫细胞的对应于卷积神经网络的候选激活状态。5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述目标激活状态包括免疫细胞对应的激活状态类别；所述方法还包括：获取测试高内涵图像，所述测试高内涵图像是对免疫细胞进行高内涵成像得到的，所述测试高内涵图像对应有实际激活状态类别；通过各待测试预测方式预测所述测试高内涵图像中免疫细胞的测试激活状态类别；根据各待测试预测方式预测的测试激活状态类别，对各待测试预测方式进行单个类别性能评估和/或多个类别性能评估，得到性能评估结果；所述单个类别性能评估包括对每个激活状态类别的性能指标进行评估；所述多个类别性能评估包括对不同激活状态类别之间发生分类错误的概率进行评估；所述待测试预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种预测方式中至少二者；根据所述性能评估结果，从所述待测试预测方式中确定目标预测方式。6.根据权利要求5所述的方法，其特征在于，根据各待测试预测方式预测的测试激活状态类别，对各待测试预测方式进行单个类别性能评估和/或多个类别性能评估，包括：对于每个待测试预测方式，确定该待测试预测方式对应的二维矩阵，所述二维矩阵的第一维度为该预测方式预测的各测试高内涵图像所对应的测试激活状态类别，第二维度为测试高内涵图像所对应的实际激活状态类别，所述二维矩阵中第一元素的值代表第一测试
高内涵图像的数量，所述第一测试高内涵图像为预测激活状态类别为所述第一元素位置的第一维度坐标、实际激活状态类别为所述第一元素位置的第二维度坐标的测试高内涵图像；对于每个待测试预测方式，根据该待测试预测方式对应的所述二维矩阵确定该待测试预测方式对应的多个类别性能评估的性能评估结果。7.根据权利要求5或6所述的方法，其特征在于，所述方法还包括：确定所述待测试预测方式中的树形模型和/或卷积神经网络的决策信息；根据所述性能评估结果，从所述待测试预测方式中确定目标预测方式，包括：根据所述性能评估结果和所述决策信息，从所述待测试预测方式中确定目标预测方式。8.根据权利要求7所述的方法，其特征在于，所述确定所述待测试预测方式中的树形模型和/或卷积神经网络的决策信息，包括以下至少一个步骤：可视化所述树形模型中各分支分类决策时所依据的显式特征；其中，所述树形模型的测试激活状态类别是根据测试高内涵图像的图像显示特征和测试高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；所述决策信息包括所述树形模型中各分支分类决策时所依据的显式特征；根据显式特征的使用频率、依据显示特征进行分类决策的分支的深度、显式特征对分类决策的贡献中至少一者，确定显示特征对所述树形模型分类结果的重要程度；其中，所述树形模型的测试激活状态类别是根据测试高内涵图像的图像显示特征和测试高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；所述决策信息包括显示特征对所述树形模型分类结果的重要程度；对于所述卷积神经网络对应的每个激活状态类别，将属于该激活状态类别概率最大的前n个测试高内涵图像对应的目标特征图映射到对应的测试高内涵图像，得到激活热力图；所述目标特征图为所述卷积神经网络的最后一个卷积层所对应的特征图；所述决策信息包括所述激活热力图。9.一种细胞激活动力学的确定方法，其特征在于，所述方法包括：获取同一免疫刺激因子、不同刺激条件下处理的多个高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；所述不同刺激条件包括浓度不同或时长不同；通过目标预测方式预测所述多个高内涵图像中免疫细胞的候选激活状态；所述目标预测方式包括基于隐式特征的预测；获取对照图像，所述对照图像是对未被免疫刺激因子处理的免疫细胞进行高内涵成像得到的；提取所述多个高内涵图像的目标隐式特征，和所述对照图像的对照隐式特征；计算所述多个高内涵图像的目标隐式特征和所述对照隐式特征之间的残差，得到与所述多个刺激条件一一对应的多个残差；计算所述多个残差与参考残差之间的相似度，所述参考残差是所述多个残差中强度最大的刺激条件所对应的残差；根据所述相似度变化曲线确定所述免疫刺激因子所对应的细胞激活动力学。
10.一种细胞激活通路的确定方法，其特征在于，所述方法包括：获取高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；通过树形模型预测所述高内涵图像中免疫细胞的激活状态类别，所述激活状态类型选自m个激活状态类别中的一个；确定所述树形模型中每个激活状态类别对应的分支决策时所依据的显示特征；所述树形模型的激活状态类别是根据高内涵图像的图像显示特征和高内涵图像所包括的实例显示特征确定的；所述实例包括全细胞、细胞核、细胞质中至少一者；和/或，通过卷积神经网络预测所述高内涵图像中免疫细胞的激活状态类别，所述激活状态类型选自所述m个激活状态类别中的一个；对于所述卷积神经网络对应的每个激活状态类别，将属于该激活状态类别概率最大的前n个高内涵图像对应的目标特征图映射到对应的高内涵图像，得到激活热力图，由此得到各激活状态类别对应的激活热力图；所述目标特征图为所述卷积神经网络的最后一个卷积层所对应的特征图；根据不同激活状态类别所对应的显示特征的差异和/或激活热力图中热力图像素值大于像素值阈值的细胞区域的差异，确定细胞激活通路。11.一种细胞激活状态确定装置，其特征在于，所述装置包括：图像获取模块，用于获取高内涵图像，所述高内涵图像是对被免疫刺激因子处理后的免疫细胞进行高内涵成像得到的；状态预测模块，用于通过目标预测方式预测所述高内涵图像中免疫细胞的候选激活状态；所述目标预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种；状态确定模块，用于根据所述候选激活状态确定所述高内涵图像中免疫细胞的目标激活状态。12.一种电子设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现权利要求1至10中任意一项所述的方法。13.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。

技术总结
本公开涉及一种细胞激活状态确定方法、装置、电子设备及存储介质，获取包括被免疫刺激因子处理后的免疫细胞的高内涵图像，通过目标预测方式预测高内涵图像中免疫细胞的候选激活状态。其中目标预测方式包括基于隐式特征的预测、基于树形模型的预测和基于卷积神经网络的预测中的至少一种。再根据候选激活状态确定高内涵图像中免疫细胞的目标激活状态。本公开可以通过至少一种预测方式基于高内涵图像自动预测图像中的免疫细胞激活状态，无需通过酶标仪等设备检测的方式即可得到免疫细胞的激活状态。同时，通过性能评估的方式筛选目标激活状态，提高了确定的免疫细胞激活状态的准确性。性。性。


技术研发人员：何佳 杨戈 王辰龙 宋乐
受保护的技术使用者：百图生科（北京）智能技术有限公司
技术研发日：2023.03.13
技术公布日：2023/7/7