告别肉眼数荧光，英国团队打造狂犬病疫苗评估AI工作流，AUC达0.999

狂犬病是一种严重的人畜共患病，在流行地区每年仍会造成数万人死亡。虽然疫苗接种能够有效预防狂犬病，但病毒感染诊断、疫苗接种后的免疫效果评估，以及相关血清学监测，仍然依赖可靠的实验室检测方法。在细胞培养检测中，实验人员通常需要借助荧光显微成像，判断细胞是否存在狂犬病病毒（RABV）感染，整个过程涉及大量图像的人工观察和判读，不仅耗费时间，也可能受到操作者经验以及微弱荧光、图像伪影等因素影响。

近年来，深度学习（DL）技术的进步显著推动了生物医学图像分析的发展，其中包括病毒感染的评估。然而，此前尚无研究将深度学习方法应用于狂犬病病毒抗原的系统性荧光成像分析。由于狂犬病病毒通常不会引起明显的细胞病变效应或合胞体形成，许多基于人工智能的方法所依赖的细胞形态学特征在此类检测中的适用性有限。

在此背景下，来自英国萨里大学的研究团队提出首个基于人工智能的工作流程，用于检测 BHK-21 细胞培养物中的狂犬病病毒感染，并对抗体滴度进行定量分析。 研究人员选取了三种先进的深度学习架构——ResNet、Swin Transformer V2 和 MambaOut，并利用一个大规模数据集进行训练。在图像区域、单张图像和孔位（well）三个层级的评估中，MambaOut 模型始终优于其他模型。

在孔位层级，该模型的准确率达到 0.996，F1 分数达到 0.993，受试者工作特征曲线下面积（AUC-ROC）达到 0.999。 为评估该方法的实际应用能力，研究人员进一步使用了来自世界卫生组织（WHO）/世界动物卫生组织（WOAH）推荐的荧光抗体病毒中和试验的未见过图像对模型进行测试，MambaOut 在抗体浓度预测方面与真实标注结果完全一致，证实了该工作流程在疫苗评估和宠物旅行相关检测中的可靠性。

相关研究成果以「Deep learning enables rabies virus detection and antibody quantification in cell culture」为题，已刊登 Scientific Reports。

研究亮点：

• 构建首个大规模狂犬病病毒成像数据集

• 利用 AI 实现高通量图像分析自动化，能够为诊断实验室提供一种可扩展、节省时间的解决方案，尤其适用于狂犬病流行国家和地区

• 研究结果为 AI 辅助狂犬病诊断奠定了基础，也为将深度学习技术应用于其他基于细胞培养的病毒检测方法开辟了新的可能

论文地址：

https://www.nature.com/articles/s41598-026-57955-8

构建 LyssaScan 数据集：从荧光图像中识别感染信号

研究人首先构建了用于 RABV 感染识别的图像数据集 LyssaScan，该数据集覆盖多种感染水平、染色试剂和成像条件， 能够同时反映生物学差异与技术层面的变异。

具体而言，研究人员使用感染狂犬病病毒（RABV）标准攻击毒株11（CVS-11）的 BHK-21细胞，建立了一套标准化荧光显微成像流程。细胞培养采用平底、透明底部、黑色侧壁的 96 孔板，培养 48 小时后，研究人员对细胞进行固定，并使用异硫氰酸荧光素（FITC）标记的多克隆抗狂犬病病毒核衣壳抗体（Fujirebio）进行染色。阴性对照包括未感染细胞孔和仅含培养基的孔，部分细胞培养物则使用另一种FITC偶联抗体（Sifin）进行染色，完整的成像流程如下图所示：

数据集生成的自动化工作流程

自动化成像采用 Agilent Technologies 的 Cytation 5 细胞成像分析仪，配备一款原文中型号信息显示异常的物镜，以及集成式宽视场相机。研究人员使用 GFP 和 Texas Red 滤光块，分别采集病毒核衣壳染色产生的荧光信号和用于观察细胞单层的图像。每个孔在四个角落位置分别进行成像，因此每孔生成四张合成 PNG 图像。最终，共采集 2,344 张合成图像，用于后续处理。

随后，将图像放大至特定尺寸，以便精确划分为 16 个互不重叠的图像区域（patch），由专业人员进行人工标注，以生成可靠的真实参考标签。对于无法达成一致判定的案例，将其标记为「模糊」并排除在模型开发之外。最终，数据集 LyssaScan 共包含 36,822 个图像区域，其中 9,750 个为感染样本，27,072 个为未感染样本。

三种模型的架构差异：从卷积网络到门控卷积

为比较不同深度学习架构在荧光图像识别任务中的表现，研究人员选择了 ResNet-101、Swin Transformer V2 Small（SwinT-V2）和 MambaOut Small 三种模型，三者的参数量分别约为 4,450 万、4,700 万和 4,850 万。

ResNet-101：基于残差连接的卷积神经网络

ResNet 是本研究的基线模型，其核心特点是引入跳跃连接，使网络在加深的同时改善梯度传播。通过逐层提取图像特征，ResNet 能够识别局部荧光结构，但在复杂背景和微弱感染信号的判别中，仍可能受到局部特征表达能力的限制。

SwinT-V2：利用自注意力整合上下文信息

SwinT-V2 属于分层视觉 Transformer，采用移位窗口自注意力机制，在提取局部特征的同时整合更广泛的上下文信息。对于荧光图像而言，感染灶可能较小，也可能与背景信号、染色差异或其他结构混杂，因此，综合考虑局部表现和周围环境有助于提升识别能力。

MambaOut：通过门控机制动态调节特征

MambaOut 在本研究中采用堆叠的门控 CNN 模块，不包含状态空间模型组件。门控机制能够动态调节特征的传递，有选择地增强有价值的信号并抑制背景噪声。这一特性可能更适合识别嵌于复杂背景中的微弱荧光灶，也是研究人员重点关注其性能表现的原因之一。

三种架构分别代表了具有互补特点的技术路线——卷积神经网络（CNN）、视觉 Transformer（ViT）和门控卷积神经网络，为系统性比较不同架构提供了基础。

模型训练采用标准数据增强方法，包括随机翻转、旋转，以及亮度和对比度调整，以提高模型的稳健性。模型以 ImageNet-1k 预训练权重进行初始化，并在 LyssaScan 数据集上微调。训练使用 NVIDIA GeForce RTX 2080 Ti GPU，共进行 20 个训练轮次（epoch），批次大小为 128。

优化过程中采用 Adam 优化器，初始学习率对应的公式内容在原文中显示异常，无法准确还原，并使用余弦退火学习率调度策略。为解决类别不平衡问题，研究采用加权交叉熵损失函数，类别权重与各类别的样本频率成反比。

在训练过程中（如下图），各模型提取的特征首先通过全局平均池化（GAP）聚合为一个 D 维特征描述向量，再输入全连接层（FC）生成 logits，最后通过加权交叉熵损失函数进行优化。

模型训练过程中

在推理阶段（如下图），输入图像区域经过尺寸调整后，由训练完成的模型进行处理；提取的特征经全局平均池化聚合后，再通过全连接层和 Softmax 层，得到各类别的预测概率。随后，利用这些概率计算模型的各项评估指标。

模型推理过程

MambaOut 模型兼顾识别准确率与抗体定量能力

研究人员对 ResNet、Swin Transformer V2 和 MambaOut 三种模型进行了系统评估，比较了当前先进深度学习模型在狂犬病病毒检测任务中的性能，为相关模型的选择与应用提供了依据。

模型性能评估

模型性能从三个层级进行评估。首先，在图像区域层级开展检测性能评估，将单个图像区域分别分类，结果见下表：

基于五折交叉验证的深度神经网络在 LyssaScan 数据集图像区域（patch）层级的性能表现（均值 ± 标准差）

其次，将 16 个图像区域的预测结果进行聚合，得到整张图像的分类结果，并与图像层级的真实标注进行比较，结果见下表：

采用五折交叉验证，在图像级别评估各深度神经网络在 LyssaScan 数据集上的性能（均值 ± 标准差）

最后，由于每个孔对应四张来自不同角落位置的图像，研究人员进一步将图像区域的预测结果聚合至孔位层级，并与相应孔位的真实标注进行比较，评估整孔检测性能，结果见下表：

采用五折交叉验证，在孔级别评估各深度神经网络在 LyssaScan 数据集上的性能（均值 ± 标准差）

在图像区域、单张图像和孔位三个评估层级中，MambaOut 始终取得最佳表现，其次是 Swin Transformer V2（SwinT-V2）。 在图像区域层级，MambaOut 在准确率、F1 分数和精确率等指标上均表现最优，表明其能够可靠地识别局部图像区域中的感染信号。这一趋势在图像层级评估中同样得到体现：MambaOut 取得了较高的准确率和 F1 分数，SwinT-V2 的表现略低于 MambaOut。

ResNet 的图像层级性能最低，准确率为 0.947，主要原因在于该模型对图像区域层级的分类错误较为敏感。尽管如此，这种聚合规则符合实际的生物学判定逻辑：即使只出现一个荧光阳性区域，也意味着检测到了病毒抗原，因此整张图像应判定为感染阳性。 在诊断场景中，发现任何感染证据都十分重要，而漏检通常比偶发的假阳性造成更严重的后果。

在荧光抗体病毒中和试验（FAVN）中测定抗体滴度的适用性

为评估所提出的工作流程在血清学检测场景中的适用性，研究人员将模型应用于荧光抗体病毒中和试验（FAVN）。实验结果显示，MambaOut 取得了最佳性能，准确率为 0.992，F1 分数为 0.992，AUC-ROC 达到 0.997，表明该模型能够在复杂多变的检测条件下有效捕捉局部与全局特征；SwinT-V2 同样表现出较强的泛化能力，准确率达到 0.988；相比之下，ResNet 的性能有所下降，准确率为 0.965。

然后，研究人员进一步考察了其在荧光抗体病毒中和试验中测定抗体滴度的适用性，其使用同一组图像，将模型预测的抗体滴度与人工操作人员测定的结果进行比较，并以人工判读结果作为真实参考值，如下表：

比较 ResNet、SwinT-V2 和 Mamba 模型预测的抗体滴度（国际单位/毫升，IU/mL）与人工操作人员对同一组样本的判读结果

研究采用 Bland–Altman 分析评估模型与人工操作人员之间的一致性，如下图：

深度学习模型预测结果与人工操作人员测量结果的 Bland–Altman 一致性分析图

ResNet 表现出明显的正偏倚，平均差值为 +0.41，一致性界限（LoA）较宽，为 −0.71 至 +1.53。这表明，与人工判读结果相比，ResNet 存在系统性高估抗体滴度的倾向。

SwinT-V2 则表现出良好的一致性，平均差值接近于零（−0.02），一致性界限较窄，为 −0.15 至 +0.11，表明在整个测量范围内，其预测结果与人工判读结果具有较好的互换性。

MambaOut 的预测结果与人工判读完全一致， 所有配对差值均为零。

对于 SwinT-V2 和 MambaOut，未发现比例偏倚的证据；而 ResNet 的差值则呈现出随抗体滴度升高而略有增加的趋势。

根据世界卫生组织（WHO）和世界动物卫生组织（WOAH）的相关指南，抗体滴度达到 0.5 IU/mL 可被视为疫苗接种后发生血清学转换的合理证据，也是满足国际宠物旅行规定的参考标准。研究采用这一阈值，评估在涵盖完整抗体滴度范围的样本组中，预测滴度的差异会对结果判定产生何种影响。

在整个样本组中，ResNet 的抗体滴度估计值总体高于真实参考值， 这种误判可能导致免疫力不足的宠物被错误地批准出行。

SwinT-V2 的整体预测结果与人工判读较为接近， 但仍将样本 10 误判为阴性，尽管该样本实际上符合合格标准。这可能导致不必要的再次接种疫苗，并造成出行延误。

MambaOut 的预测结果则与人工判读完全一致，不仅正确识别了所有不合格样本，还准确区分了低滴度和高滴度血清，在阈值判定方面没有出现任何错误。

综合来看，这些研究结果表明，所提出的系统不仅能够有效应用于细胞培养检测，还可扩展至血清学检测流程，为其在狂犬病诊断和血清学监测中的进一步应用提供支持。

结语

总而言之，本研究在 RABV 感染检测方面取得的进展，进一步夯实了计算机视觉应用于细胞研究和诊断试验的科学基础，同时也为其拓展至其他病毒病原体的细胞培养检测提供了可能。本研究凸显了人工智能变革实验室诊断的潜力，有助于弥合专家级判读能力与可规模化、易于使用的技术之间的差距。除技术层面的贡献外，这一方法也展示了人工智能驱动的诊断技术降低全球狂犬病疾病负担的潜力。尽管目前的方案仍依赖专业设备，但其底层方法有望适配更易获得的设备平台，例如将普通显微镜与数码相机相结合，从而为资源有限地区开发可规模化推广且可持续的诊断方案铺平道路。

参考文献：

https://phys.org/news/2026-10-ai-rabies-world.html
https://www.nature.com/articles/s41598-026-57955-8