化疗后细胞是死是活，Transformer只看原始显微视频就能提前8小时判断

细胞命运可以直接从原始延时显微图像序列预测，不需要预先定义形态学或分子特征。 此前的细胞命运研究多依赖人工选定并量化的特征，或只做细胞周期分期，而不是直接预测处理下细胞的分歧结局。 在包含2089条轨迹的留出测试集上，模型达到平衡准确率0.94与F1分数0.9326，其中91.3%的凋亡样本被正确识别，仅3.5%的分裂样本被误判为凋亡。

预测所依据的信息并不只集中在细胞事件的最后几帧，凋亡信号在时间上分布得更宽。 仅保留序列末尾若干帧时，分裂序列用最后1帧即可达到召回率0.641，而凋亡序列用最后5帧召回率只有0.699。 逐帧截断实验显示，去掉末尾5帧后平衡准确率降到0.919，去掉40帧降到0.565；在长度匹配的子集上凋亡召回率从0.91仅降到0.81，分裂下降更陡。

模型通过注意力权重指出哪些帧对判断最重要，这些帧在形态与荧光强度上有可统计的差异。 高注意力帧与低注意力帧的对比此前没有在Transformer的注意力机制下系统做过。 掩蔽高注意力帧比掩蔽随机帧或低注意力帧更严重地降低性能，掩蔽比例0.5时平衡准确率降到0.836，而随机与低注意力掩蔽仍保持0.912与0.931。

报告覆盖的是顺铂处理下癌细胞群体的单细胞命运预测，输入为长期活细胞延时显微图像序列，输出为凋亡与分裂的二分类，并附带注意力解释。可解释性分析集中在顺铂处理序列，因为对照组只有41条凋亡序列，无法稳健刻画凋亡动态。适合关注单细胞成像、药物响应异质性与可解释深度学习的读者。

三分类设置下模型平衡准确率为0.8434、宏F1为0.7946，主要误差来自“既未分裂也未死亡”类与凋亡类的混淆，该类标签本身含义模糊。对照组的凋亡序列仅41条，相关估计噪声大，作者未对其作定量解读。剂量分层与条件比较的曲线噪声较高，作者也避免从中得出强结论。