_ Instrumentul AI creează „ imagini sintetice ale celulelor pentru analiza microscopică îmbunătățită

Observarea celulelor individuale prin microscoape poate dezvălui o serie de fenomene biologice celulare importante care joacă frecvent un rol în bolile umane, dar procesul de distingere a celulelor individuale una de cealaltă și background-ul lor este extrem de consumator de timp – și o sarcină care este potrivită pentru asistența AI.

Modelele AI învață cum să realizeze astfel de sarcini folosind un set de date adnotate de oameni, dar procesul de distincție a celulelor de fundalul lor, numit „segmentare cu o singură celulă”, este atât consumator de timp, cât și laborios. Ca rezultat, există o cantitate limitată de date adnotate de utilizat în seturile de antrenament AI. Cercetătorii de la UC Santa Cruz au dezvoltat o metodă pentru a rezolva acest lucru prin construirea unui model AI de generare de imagini la microscopie pentru a crea imagini realiste ale celulelor individuale, care sunt apoi folosite ca „date sintetice” pentru a antrena un model AI pentru a realiza mai bine segmentarea unei singure celule.

Noul software este descris într-o nouă lucrare publicată în jurnalul iScience. Proiectul a fost condus de profesor asistent de Inginerie Biomoleculară Ali Shariati și studentul său absolvent Abolfazl Zargari. Modelul, numit cGAN-Seg, este disponibil gratuit pe GitHub.

„Imaginile care ies din modelul nostru sunt gata pentru a fi folosite pentru a antrena modele de segmentare”, a spus Shariati. „Într-un fel facem microscopie fără microscop, prin faptul că suntem capabili să generăm imagini care sunt foarte apropiate de imaginile reale ale celulelor în ceea ce privește detaliile morfologice ale unei singure celule. Frumusețea este că atunci când apar. ale modelului, acestea sunt deja adnotate și etichetate Imaginile arată o mulțime de asemănări cu imaginile reale, ceea ce ne permite apoi să generăm noi scenarii care nu au fost văzute de modelul nostru în timpul antrenamentului.”

Imaginile celulelor individuale văzute printr-un microscop pot ajuta oamenii de știință să învețe despre comportamentul și dinamica celulelor în timp, să îmbunătățească detectarea bolilor și să găsească noi medicamente. Detaliile subcelulare, cum ar fi textura, îi pot ajuta pe cercetători să răspundă la întrebări importante, cum ar fi dacă o celulă este canceroasă sau nu.

Găsirea și etichetarea manuală a limitelor celulelor din fundal este totuși extrem de dificilă, mai ales în probele de țesut în care există multe celule într-o imagine. Cercetătorilor le-ar putea dura câteva zile pentru a efectua manual segmentarea celulelor pe doar 100 de imagini de microscopie.

Învățarea profundă poate accelera acest proces, dar este necesar un set inițial de date de imagini adnotate pentru a antrena modelele — cel puțin mii. de imagini sunt necesare ca linie de bază pentru a forma un model de învățare profundă precis. Chiar dacă cercetătorii pot găsi și adnota 1.000 de imagini, este posibil ca acele imagini să nu conțină variația caracteristicilor care apar în diferite condiții experimentale.

„Vrei să arăți că modelul tău de învățare profundă funcționează în diferite eșantioane cu celule diferite. tipuri și calități diferite de imagine”, a spus Zargari. „De exemplu, dacă îți antrenezi modelul cu imagini de înaltă calitate, acesta nu va putea segmenta imaginile celulare de calitate scăzută. Rareori putem găsi un set de date atât de bun în domeniul microscopiei.”

Zargari, care a condus dezvoltarea modelului generativ, a folosit un algoritm AI utilizat în mod obișnuit, numit „rețea adversară generativă de ciclu” pentru a crea imagini realiste. Modelul generativ este îmbunătățit cu așa-numitele „funcții de augmentare” și o „rețea de injectare de stil”, care ajută generatorul să creeze o mare varietate de imagini sintetice de înaltă calitate care arată posibilități diferite pentru cum ar putea arăta celulele. Din cunoștințele cercetătorilor, aceasta este prima dată când tehnicile de injectare a stilului au fost folosite în acest context.

Apoi, acest set divers de imagini sintetice create de generator este folosit pentru a antrena un model care să realizeze cu precizie segmentarea celulelor pe imagini noi, reale, luate în timpul experimentelor.

„Folosind un set limitat de date, putem antrena un model generativ bun. Utilizând acel model generativ, suntem capabili să generăm un set mai divers și mai mare de Cu ajutorul imaginilor sintetice generate, putem antrena un model de segmentare bun – aceasta este ideea principală”, a spus Zagari.

Cercetătorii au comparat rezultatele modelului lor folosind date de antrenament sintetice cu cele mai tradiționale. metode de antrenament AI pentru a efectua segmentarea celulară în diferite tipuri de celule. Ei au descoperit că modelul lor produce o segmentare semnificativ îmbunătățită în comparație cu modelele antrenate cu date de antrenament convenționale, limitate. Acest lucru le confirmă cercetătorilor că furnizarea unui set de date mai divers în timpul antrenamentului modelului de segmentare îmbunătățește performanța.

Prin aceste capacități de segmentare îmbunătățite, cercetătorii vor fi capabili să detecteze mai bine celulele și să studieze variabilitatea între celulele individuale, în special printre celulele stem. În viitor, cercetătorii speră să folosească tehnologia pe care au dezvoltat-o ​​pentru a trece dincolo de imaginile statice pentru a genera videoclipuri, ceea ce îi poate ajuta să identifice factorii care influențează soarta unei celule la începutul vieții și să prezică viitorul lor.

(Fluierul)