由于体内体外培养的巨大差距，导致药物开发花费巨大且失败率极高^[1]，基于微流控的类器官芯片等 3D 组织培养技术作为疾病模型，可以更好地模拟体外结果，缩短药物发现周期^[2]。而 3D 的类器官模型结合高内涵等高通量成像技术，如 Cell-Painting 实验，可以获取药物对细胞作用 3D 水平的信息^[3]。但是 3D Cell-Painting 缺乏像 JUMP-Cell Painting 那种现成的开源的图像和算法资源，这种数据和图像的局限性限制了基于 3D 细胞图像的自监督（self-supervised）特性提取器的发展，因此开发针对 3D 显微成像图像对深度学习模型进行审计的定量算法是十分必要的。耀速科技的科学家们使用开发的 OC-Plex-32 模块化器官芯片，用 MD 的 ImageXpress Micro Confocal 拍摄高内涵三维细胞数据集，自主开发出来的一套能够无缝衔接现有流程，且兼容 2D 和 3D Cell-Painting 数据的创新性的 AI 细胞形态学可解释性（interpretability）评价系统: “Grad-CAMO: a novel single-cell interpretability score for supervised feature extractors” 。

显微成像细胞分析算法有个特性就是黑匣子，这种特性有时会让我们怀疑是否模型真正分析的是生物学相关的内容。研究者们发现，算法模型有时会分析一些生物学不相关的像素，比如背景上某个噪点，为了研究相关性作者们引入了 explainability 可视化技术。在该本研究中，研究者介绍了 Grad CAMO（Grad-CAM Overlap），其可用于提供每个单个细胞的形态表征的生物相关性的定量度量，即能够测量模型对背景相对所关心细胞 attention 的比例，这种方法可以使科学家高能够审计每个表征和帮助优化深度学习架构。尽管该研究工作主要集中在 3D 图像上，Grad CAMO 还可扩展到 2D 细胞绘画图像，并可用于解释学术界和工业界使用的现有模型所做的描述。Grad CAMO 融入传统单细胞特征提取工作流如下图（Figure 1）:

科学家使用该评价系统对 6 个浓度司他夫定处理的 3D 肝损伤模型（Hep G2）的进行评价。可视化学习的形态表证结果显示,  使用训练的 3D EfficientNet-B0 可以获取到不同处理的细胞可视化的形态学信息(Figure 4 A), 同时为了鉴定定量深度学习模型的正确性，作者们用 Grad-CAM 展示了深度学习提取的表征不总是能把注意力集中在所关心的细胞上，即有如上图所示 Off-Target 和 On-Target 的区别。作者选了模型中 3 个模式（patterns）来鉴定模型的注意力（attention），来鉴定“模型看向哪？”这个问题（Figure 4 B）。

Grad-CAMO Scores 评估结果显示 Grad-CAMO 分数为 0.94（Figure 5A）；所有样品测试结果的平均 Grad-CAMO 分数为 0.26 ± 0.34（Figure 5B）。