Napjainkban a növekvő klinikai adatok egyre szélesebb körben állnak rendelkezésre. Ezek a hatalmas digitális források olyan értékes információkat tartalmaznak, amelyek a gyorsan fejlődő nagymennyiségű adatelemzési módszerekkel hozzájárulnak a gépi tanulás sikeres alkalmazásához az egészségügyi területen. A sejtek működésének vizsgálata során megismerhetünk olyan biológiai folyamatokat, melyek hozzájárulnak egészségünkhöz. A sejtkutatás már vezetett rákellenes kezelésekhez, valamint számos gyógyszer kutatást támogatott. A projekt célja olyan neurális hálózatok építése, amelyek minél nagyobb pontossággal képesek detektálni sejtosztódásokat mikroszkóp által készített szekvenciális felvételen. A tanítás előtt mindenképp szükséges a rendelkezésre álló adathalmazt annotálni. Ehhez segítségül szolgál egy szakember által írt, az adathalmaz mellé csatolt dokumentáció, melyben egyértelműen jelezve van, hogy a képeken mikor és hol történik osztódási folyamat. Nehezítő tényező az adat mennyisége, valamint az adathalmaz kiegyensúlyozatlansága. Körülbelül az esetek 0,46%-ban fordul elő sejtosztódás a képeken. Elsőnek több konvolúciós neurális hálózat (CNN) került tanításra különböző formákban és bemeneti adatokkal. Habár az eredmények javuló tendenciát mutattak, az adathalmaz szekvenciális adottsága miatt bevezetésre került a rekurrens neurális hálózat (RNN), azon belül is az LSTM architektúra. A tanítás előtt a képeket megfelelő felépítésbe, szekvenciákba kellett rendezni, úgy, hogy azok dinamikusan változtathatók legyenek. Különböző augmentálási technikáknak köszönhetően az RNN kiváló eredményeket produkált a teszt adathalmazra, és képes volt felismerni az osztódási folyamatok jelentős részét. Az RNN alapú architektúra használata lehetővé tette a rendszer számára, hogy jobban értse és kihasználja a szekvenciális adottságait a képeknek, és nagyobb pontossággal legyen képes azonosítani a sejtosztódásokat, a nagy kiegyensúlyozatlanság ellenére is.