在發育毒理學研究領域，斑馬魚（Danio rerio）因其與哺乳動物70%的基因組相似性、快速發育周期和高通量篩選潛力，已成為化學安全評估的重要模型。然而，傳統依賴人工顯微鏡觀察的形態學評估方法存在明顯瓶頸：不同實驗室在魚種選擇、暴露方案和表型判讀標準上的差異導致數據可比性差，而人工篩查的效率局限和主觀偏差更制約了大規�；瘜W篩查的可靠性。OECD 236指南（魚類胚胎急性毒性試驗）等標準化框架雖已建立，但缺乏自動化分析手段的問題始終未解。

為突破這一技術壁壘，美國國家環境健康科學研究所（NIEHS）下屬轉化毒理學分部（DTT）發起的SEAZIT項目組，聯合Sciome等機構研究人員開發了基于深度學習的AI評估體系。研究團隊利用SEAZIT跨實驗室研究中ZeClinics提供的斑馬魚幼蟲多視角圖像數據集（含39種化學物質暴露5天的形態學數據），構建了多視角卷積神經網絡（MVCNN）分類模型和U-Net架構的分割模型。相關成果發表于《Aquatic Toxicology》，為發育毒性篩查提供了首個覆蓋20類表型改變的綜合AI解決方案。

關鍵技術方法包括：1）采用VAST BioImager?平臺獲取高通量多視角圖像；2）基于遷移學習訓練MVCNN模型實現二元（正常/異常）和多元（20類形態改變）分類；3）開發分割模型定量11個解剖學興趣區域（如心臟、卵黃囊等）；4）使用F1分數和交并比（IoU）評估模型性能。

分類結果
MVCNN在區分正常與異常胚胎的二元任務中達到F1值0.88，8種特定形態學改變（如心包水腫、脊柱彎曲）的分類F1值超過0.70。通過將相關異常表型分組（如將不同頭部畸形合并），7組中有5組F1值接近0.80，顯示模型對明確表型的強識別能力。

分割結果
11個興趣區域中9個的IoU≥0.80，其中卵黃囊（IoU=0.92）和眼部（IoU=0.89）分割精度最高，為定量化形態測量提供可靠工具。

討論與結論
該研究首次實現了斑馬魚發育毒性篩查的端到端AI評估：1）分類模型可快速篩選80%以上典型異常圖像，使專家能聚焦疑難樣本；2）分割模型突破了傳統軟件（如ImageJ）僅能識別輪廓的限制，實現亞器官級定量；3）SEAZIT項目提供的標準化數據集（含>5,000張多視角圖像）顯著優于既往研究（樣本量<1,000）。研究建立的AI框架為OECD 236指南等國際標準的實施提供了可重復的技術支撐，未來通過納入更多化學物質和罕見表型數據，有望進一步推動斑馬魚模型在環境毒理學和藥物開發中的規范化應用。