Pelnas:
- Galimybė naudoti dirbtinį intelektą ląstelių vaizdams segmentuoti, skaičiuoti ir klasifikuoti bei rankiniu būdu patvirtinti automatinę išvestį pavyzdyje
- Galimybė atskirti techninį artefaktą nuo tikrojo signalo, patvirtinant kiekvieną matavimą atitinkamomis kontrolėmis (teigiamais, neigiamais, tuščiais, nedažytiems)
- Galimybė patvirtinti srauto citometrijos grupes su žinomais žymenimis ir atskirti vaizdo klasifikaciją nuo klinikinės diagnozės
Bioinžinerijos laboratorija yra duomenų fabrikas: mikroskopas per dieną sukuria tūkstančius ląstelių vaizdų, srauto citometras – dešimtis tūkstančių ląstelių per sekundę, plokštelių skaitytuvas – šimtus matavimų per vieną ratą. Dauguma šių duomenų yra vaizdiniai arba didelės apimties, o rankinė analizė yra lėta ir sudėtinga. AI ypač stiprus vaizdų analizėje ir automatiniame klasifikavime; bet jūs esate tas, kuris žino, ką matuojate, kokia kontrolė galioja ir ar rezultatas yra techninis ar biologinis.
Šiame skyriuje sužinosite, kaip saugiai naudoti dirbtinį intelektą ląstelių vaizdams segmentuoti, skaičiuoti ir klasifikuoti, analizuoti srauto citometrijos duomenis ir apdoroti plokštelių duomenis.
Vaizdo analizė: segmentavimas ir skaičiavimas
Pirmasis mikroskopinės analizės žingsnis dažnai yra "kiek ląstelių yra ir kur?" yra klausimas. Segmentavimo modeliai (gilaus mokymosi įrankiai, tokie kaip Cellpose, StarDist) automatiškai atskiria ir skaičiuoja ląsteles; Tai sumažina savaičių skaičiavimą rankomis iki minučių ir sumažina subjektyvumą. Tačiau modelio tikslumas priklauso nuo panašumo į vaizdus, pagal kuriuos jis buvo parengtas: skirtingas dažymas, skirtingas padidinimas arba tankiai sugrupuotos ląstelės gali suklaidinti modelį. Štai kodėl kiekvienas automatinis pavyzdžio skaičiavimas tikrinamas rankiniu būdu.
Patarimas: prieš priimdami automatinį ląstelių skaičių, palyginkite modelio išvestį pagal 5–10 atsitiktinių vaizdų. Ar modelis skaičiuojamas per mažai (sujungtus langelius skaičiuoja kaip vieną) ar per daug (triukšmą skaičiuoja kaip langelius)? Žinant šią sisteminę klaidą, pasikeičia viso duomenų rinkinio interpretacija.
Ką sako matavimas, o ko ne?
Vaizdas arba fluorescencinis signalas nėra tiesiogiai biologija; Tai yra tarpinis matas (proxy – netiesioginis rodiklis, kas jus iš tikrųjų domina). Pavyzdžiui, fluorescenciniai dažai yra „gyvos ląstelės“ pakaitalas, tačiau dažymo efektyvumas, autofluorescencija arba instrumento nustatymas gali iškraipyti signalą. AI gali klasifikuoti signalą, tačiau atsakymas į klausimą "ar šis signalas tikrai rodo gyvybę?" remiasi kontrole (kontrolė – etaloniniai mėginiai, tikrinantys eksperimento pagrįstumą: teigiamas, neigiamas, tuščias). Be valdiklių jokia automatinė analizė nėra patikima.
Atsargiai: AI gali priskirti vaizdą kaip „vėžinį / sveiką“ arba ląstelę kaip „gyvą / mirusią“; tačiau be atitinkamų patikrinimų, aklo vertinimo ir klinikinio patvirtinimo tai nėra diagnozė. Diagnostikos sprendimai priimami tik naudojant reguliuojamas, patvirtintas sistemas ir prižiūrint ekspertams.
Didelių matmenų duomenys: srauto citometrija
Šiuolaikinė srauto citometrija gali išmatuoti daugiau nei 20 kiekvienos ląstelės parametrų; tai yra per didelis matmuo, kad būtų galima analizuoti rankiniu būdu „įjungus“ – rankiniu būdu pasirenkant dominančias ląstelių populiacijas grafikuose. Dirbtiniu intelektu pagrįstas matmenų mažinimas (UMAP, t-SNE) ir automatinis grupavimas pagreitina populiacijų vizualizavimą ir atskyrimą. Tačiau šie metodai palengvina vizualinę interpretaciją; Naudodami žinomus žymenis patikrinkite, ar gautos klasteriai yra tikros biologinės populiacijos ar artefaktai.
trys mini dėklai
1 atvejis. Skaičiavimas paspartėjo ir subjektyvumas sumažėjo. Atliekant neuronų kultūros tyrimą, ranka būtų suskaičiuota 2400 mikroskopo vaizdų. Celiuliozės pagrindu atliktas automatinis skaičiavimas sumažino darbą iki 40 minučių, palyginti su 3 dienomis, ir pašalino 15% stebėjimo neatitikimą. Komanda rankiniu būdu patikrino 50 vaizdų, nustatė, kad modelis sumažino tankių plotų skaičių 6% ir pritaikė pataisos koeficientą.
2 atvejis – užfiksuotas kontrolės trūkumas. Studentas turėjo AI klasifikuoti fluorescencinius vaizdus kaip „teigiamus / neigiamus“ ir nustatė didelį teigiamą vaizdą. Vyresnysis tyrėjas paklausė: kur yra neigiama kontrolė? Nedažyta kontrolė turėjo tą patį signalą - autofluorescenciją. Faktinis pozityvumas buvo beveik nulis; kontrolė užkirto kelią neteisingam rezultatui.
3 atvejis – grupavimo artefaktas. Imunologijos projekte automatizuotas klasterizavimas parodė „naują“ ląstelių populiaciją. Ištyrus su žymenimis, buvo matyti, kad tai buvo dažymo artefaktas, o ne tikra populiacija. Vizualinis atradimas įkvėptas, tačiau buvo nuspręsta atlikti biologinį patikrinimą.
Keturi kopijuojami šablonai
1) Vaizdo analizės darbo eiga:
Jūsų vaidmuo: vaizdų analizės ekspertas. Pasiūlykite Python darbo eigą ląstelių skaičiavimui fluorescenciniuose mikroskopiniuose vaizduose: išankstinis apdorojimas, segmentavimas (Cellpose / StarDist), skaičiavimas, rezultatų lentelė. Paaiškinkite klaidas, kurias modelis gali padaryti tankiuose / grupiniuose regionuose ir kaip jas rankiniu būdu patikrinti.
2) Kontrolinis patikrinimas:
Kuriu fluorescencija pagrįstą gyvybingumo tyrimą. Išvardykite visas reikalingas kontrolines medžiagas: teigiamas, neigiamas, tuščias, nedažytas (autofluorescencija). Paaiškinkite, koks turėtų būti kiekvienas patikrinimas, o kuris patikrinimas turėtų būti netikėtas ir rezultatas bus neteisingas.
3) Srauto citometrijos analizės planas:
Jūsų vaidmuo: srauto citometrijos analitikas. Turiu duomenų rinkinį su 18 parametrų. Apibūdinkite matmenų mažinimo (UMAP) ir automatinio grupavimo darbo eigą. Žingsnis po žingsnio nurodykite, kokiais žymekliais galiu patikrinti, ar gautos klasteriai yra tikroji populiacija ar artefaktas.
4) Valstybinio numerio ženklo duomenų normalizavimas:
Turėkite 96 šulinėlių plokštelės absorbcijos išeigą (tuščiosios, standartinės, mėginio duobutės). Parašykite man: (1) tuščio gabalo pašalinimas, (2) standartinis kreivės pritaikymas, (3) krašto efekto valdymas, (4) pašalinių šulinių aptikimo veiksmai Python. Paaiškinkite kiekvieno žingsnio pagrindimą.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Išanalizuokite šiuos ląstelių vaizdus ir pasakykite man, kiek ląstelių yra.
Modelis duoda nekontroliuojamą ir nepatikrinamą skaičių; slepia sistemines klaidas.
Galingas raginimas:
Jūsų vaidmuo: vaizdų analizės ekspertas. Parašykite „Python“ scenarijų, kuris su „Cellpose“ atlieka segmentavimą ir branduolių skaičiavimą pridedamiems DAPI dažytų branduolių vaizdams. Scenarijus taip pat praneša apie aptikto objekto dydžio pasiskirstymą kiekvienam vaizdui (per mažas = triukšmas, per didelis = įtarimas dėl susiliejančių ląstelių). Pridėkite patvirtinimo veiksmą: pažymėkite 10 atsitiktinių vaizdų, kuriuos galėčiau patikrinti rankiniu būdu.
Skirtumas: tinklelio dažymo tipas, terpė, triukšmo/sujungimo valdymas ir privalomas rankinio patikrinimo veiksmas.
Laboratorijos duomenų tipai ir AI vaidmuo
Duomenų tipas
prietaisas
AI indėlis
Privalomas patikrinimas
mikroskopija
mikroskopu
Segmentavimas, skaičiavimas
Rankinis mėginių valdymas
srauto citometrija
citometras
Klasterizavimas, vizualizacija
Žetono patvirtinimas
valstybinio numerio duomenys
plokštelių skaitytuvas
Normalizacija, kreivė
kontroliniai šuliniai
laiko eilutes
tiesioginis vaizdas
Stebėjimas
orbitos valdymas
Klasifikacija
Įvairūs
Ženklinimo juodraštis
aklas peržiūra
Modelio srities dreifas: ne ten, kur jis buvo apmokytas
Labiausiai klastingas vaizdo ir signalų modelių trūkumas yra domeno poslinkis – tylus modelio gedimas, kai susiduriama su duomenimis, sugeneruotais kitokiomis sąlygomis nei tie, kurių pagrindu jis buvo apmokytas. Jei ląstelių skaičiavimo modelis yra apmokytas naudojant tam tikrą mikroskopą, naudojant tam tikrą dėmę, tam tikru padidinimu; Vaizdai, padaryti kitu įrenginiu su skirtingu rašalu, gali duoti netikėtai klaidingus rezultatus. Dar blogiau, modelis jums to nesako – jis sukuria patikimą, bet netikslią išvestį. Todėl prieš taikydami savo duomenims paruoštą modelį, būtina įvertinti jo našumą pagal savo sąlygų patvirtinimo rinkinį. Jei modelis netinkamai apibendrina, galite jį tiksliai sureguliuoti naudodami savo duomenis arba kalibruoti jo parametrus pagal savo vaizdus.
Dėmesio: „Šis modelis publikacijoje suteikė 95% tikslumą“ nereiškia, kad jis suteiks 95% jūsų duomenų tikslumą. Publikacijos tikslumas atitinka publikacijos duomenų sąlygas. Nemanykite, kad joks modelis veikia, neišmatavęs jo savo sąlygomis.
Dažnos klaidos
- Priimamas automatinis skaičiavimas be rankinio patvirtinimo. Sistemingas per mažas / per didelis skaičiavimas perkelia visą rezultatą.
- Apeinant valdiklius. Autofluorescencija ir foninis signalas yra klaidingai painiojami su tikruoju signalu be kontrolės.
- Klasteriai klaidinami su tikromis populiacijomis. UMAP/clusters yra vizualinis įrankis; turi būti patvirtintas žetonu.
- Krašto efekto nepaisymas. Plokštelės krašte esantys šuliniai gali nuslinkti dėl garavimo.
- Klaidinga vaizdo klasifikacija diagnozei nustatyti. Diagnozė atliekama tik patvirtintais, aklais ir ekspertų prižiūrimais procesais.
Apibendrinant
Laboratoriniai instrumentai dirba su gausybe vaizdinių ir didelės apimties duomenų; AI pagreitina segmentavimą, skaičiavimą, grupavimą ir normalizavimą, sumažindamas subjektyvumą. Bet kiekviena automatizuota išvestis yra rankiniu būdu patvirtinama mėginyje, kiekvienas matavimas patvirtinamas atitinkamais valdikliais ir kiekviena grupė patvirtinama žinomais žymenimis. Vaizdas arba signalas yra biologijos tarpinis serveris; Be kontrolės automatizuota analizė nėra patikima, o klasifikacija nepakeičia klinikinės diagnozės.
Taikymo užduotis
Raskite viešai prieinamą langelio vaizdo duomenų rinkinį (pvz., „Cellpose“ pavyzdžių rinkinį). Leiskite AI parašyti segmentavimo ir skaičiavimo scenarijų naudodami „stiprios raginimo“ šabloną. Vykdykite scenarijų (arba patikrinkite jo logiką) ir palyginkite išvestį su akimi keliais vaizdais: kur modelis daro klaidas? Tada su kontrolinio patikrinimo šablonu surašykite visus savo eksperimentui reikalingus valdiklius ir užsirašykite, kuris kontrolinis kontrolė be kurio rezultatas būtų negaliojantis.
kontrolinis sąrašas
- [ ] Rankiniu būdu patvirtinau automatinį pavyzdžio skaičiavimą / klasifikavimą.
- [ ] Eksperimente apibrėžiau visus reikiamus kontrolinius elementus (teigiamas, neigiamas, tuščias, nedažytas).
- [ ] Klasterius patvirtinau žymekliais, populiacijos tiesiogiai neskaičiavau.
- [ ] Patikrinau briaunos efektą ir išorines duobutes plokštelės duomenyse.
- [ ] Išmatavau modelio sisteminę klaidą (nepakankamą / perviršį) ir, jei reikia, ją ištaisiau.
- [ ] Klasifikacijos išvestį interpretavau kaip ženklą, kurį reikia patvirtinti, o ne diagnozę.