Automahout 把细胞追踪的判断交给智能体：三个公开数据集无人输入，TRA 达 0.95–0.96
核心概要
细胞追踪长期依赖人逐数据集判断该标注什么、何时训练、哪里错了、何时收手。理化学研究所的 Automahout 作为 Mastodon/ELEPHANT 平台上的自主智能体，先试现成检测器，不合适就自己标注参考细胞、从稀疏标注训练检测器、对照参考复核并把修正喂回训练，再连接谱系。在三个公开数据集上它全程无人工输入，TRA 达到 0.95–0.96。
深度剖析
细胞追踪中原本由人完成的判断环节，现在可以由一个智能体在 Mastodon/ELEPHANT 平台上自行完成，包括看数据、选或训练检测器、复核输出、修正谱系和决定何时停止。 ELEPHANT 此前已把稀疏标注训练和人工修正放进同一个循环，但标注什么、何时训练、哪些预测错了、如何修、何时停仍由看图像的人对每个新数据集重新判断。 在 Cell Tracking Challenge 三个训练序列 01 上无人工输入运行，2D 荧光培养 HeLa 的 TRA 为 0.954、2D 相差培养 PSC 为 0.954、3D 线虫胚胎为 0.965；把单个预训练检测器原样套用再用 Trackastra 连接的基线，TRA 分别为 0.929、0.900，在胚胎上为 0.202。
工作方式是先看数据再决定路线：能用的预训练检测器直接沿用，没有合格的才自己从随机权重训练，并按 10 帧一个时间窗滚动推进。 每个时间窗都从图像重新读取细胞半径，用尺度选择取尺度归一化高斯拉普拉斯斑块响应峰值处的中位半径，再据此重设 ELEPHANT 的检测半径范围与连接距离。 胚胎从 4 个细胞长到 362 个，核中位半径从 4.3 µm 缩到 1.9 µm；在 Fluo-N3DH-CE 01 上每 30 帧测得的半径依次为 4.58、3.66、2.34、1.88、1.88、1.88 和 1.50 µm，对应真值中位半径为 4.32、3.55、2.54、2.57、2.38、2.28 和 1.92 µm。
复核与停止规则让智能体在没有真值的情况下判断自己是否做好了：把漏检和误检作为 ELEPHANT 自己的修正标签喂回，连续两轮达标才停。 停止条件要求连续两轮漏检参考细胞不超过 3%、误检不超过 2%、预测数不超过参考数的 1.5 倍、尺寸比在 0.67–1.5 之间；20 轮未达标则保留找到参考最多的一轮，而不是最后一轮。 胚胎上每个时间窗都达到 Go，多数在几轮之内；视觉语言模型只在 t = 5 被问过一次，它判定一个可疑参考不是细胞核，而那实际是一个真实细胞，该参考被丢弃。
启示与展望
演示范围是 Cell Tracking Challenge 三个数据集的训练序列 01，各跑一次，覆盖 2D 荧光培养、2D 相差培养和 3D 线虫胚胎，全程无人工标注、感兴趣区域、参数或回答输入。作者提出的下一步包括更多挑战赛数据集、通过正式提交跑测试序列、重复运行、判断哪些操作真正起作用，以及与使用 ELEPHANT 的专家对比。
作者说明这些分数来自训练序列 01 且该序列在开发中使用过，因此不与挑战赛已发表的测试集结果可比。参考细胞取自暗背景上的亮斑，复核适用于荧光；相差数据目前依赖有预训练检测器通过检查。停止规则容许最多 3% 参考被漏掉，可能留下少量真实细胞未学到；所有判据都不是真值，全部满足的结果仍可能出错。视觉语言模型对大而分离的细胞判断较好、对小而拥挤的细胞较差，即使通过检查也可能出错，胚胎上它拒绝了一个真实细胞；被拒参考只是被丢弃，不会被当作背景训练。