Naukowcy z dziedziny sztucznej inteligencji i biofizyki opracowali innowacyjny framework, który potrafi wnioskować trójwymiarowe właściwości komórek czerwonych z dwuwymiarowych obrazów mikroskopowych, wykorzystując jedynie statystyki zbiorowe zamiast indywidualnych etykiet. Kluczową zaletą podejścia jest możliwość pracy ze statystyką populacyjną - zamiast precyzyjnie oznaczać każdą pojedynczą komórkę, model uczy się z informacji zbiorcze takie jak średnia objętość erytrocytów czy średnia zawartość hemoglobiny.
Model łączy kilka zaawansowanych technik: lokalną analizę współdzieloną między komórkami, specjalnie zaprojektowany dekoder biofizycznie strukturyzowany dla objętości i hemoglobiny, nauczone ważenie poszczególnych instancji oraz kalibrację specyficzną dla każdego urządzenia pomiarowego. Framework został trenowany na 390 próbkach i 1105 akwizycjach pochodzących z sześciu różnych urządzeń diagnostycznych. Testowanie wykazało imponujące wyniki - korelacje Pearsona od 0,86 do 0,98 w porównaniu ze standardowym analizatorem Sysmex, który jest złotym standardem w diagnostyce laboratoryjnej.
Podejście jest znaczące, ponieważ formalnie ustanawia warunki, pod którymi obserwacje zbiorowe mogą identyfikować predyktory na poziomie komórek, i wyjaśnia, dlaczego sama zgoda populacyjna nie wystarczy do wnioskowania o pojedynczych komórkach czy ich geometrii 3D. Ta praca otwiera testowaną drogę od obrazów 2D i nadzoru populacyjnego do pełnych właściwości biofizycznych komórek, co ma potencjał uproszczenia przepływów diagnostycznych w laboratoriach bez potrzeby równie kosztownych referencyjnych analizatorów.