加州大学旧金山分校的研究团队开发了CellTransformer算法，仅用数小时绘制小鼠大脑图谱，识别出1040万个细胞，并划分已知及新脑区。该技术未来有望应用于人类大脑研究，帮助科学家深入理解大脑结构与功能。

本文提出了一种基于ResNet50的深度学习方法，用于检测疟疾感染的血液细胞，分类准确率达到98.75%。研究还比较了Faster R-CNN与传统方法在细胞识别上的优势，表明深度学习在疟疾检测中的广泛应用潜力。

本文介绍了一种创新的机器学习方法，用于在早期C. elegans胚胎发育期间进行细胞识别和跟踪。该方法结合细胞轨迹和命运特征，准确率超过90%。研究还提出了基于深度学习的细胞检测和分割框架，显著提高了细胞追踪的准确性和效率，展示了在生物医学领域的应用潜力。

该论文研究了使用无标签方法进行细胞识别的技术，通过生成伪掩膜和引入语义聚类模块，将自激活图转换为像素级语义伪掩膜。在细胞分割和多类别细胞检测的数据集上表现出竞争性的性能，并展示了解决医学领域标签不足问题的潜力。