Добивки:
- Способност да се користи вештачка интелигенција за сегментирање, броење и класифицирање клеточни слики и рачно потврдување на автоматскиот излез во примерок
- Способност да се оддели техничкиот артефакт од вистинскиот сигнал со потврдување на секое мерење со соодветни контроли (позитивни, негативни, празно, необоено)
- Способност да се валидираат кластерите на проточна цитометрија со познати маркери и да се оддели класификација на слики од клиничката дијагноза
Лабораторијата за биоинженерство е фабрика за податоци: микроскоп произведува илјадници клеточни слики дневно, цитометар на проток произведува десетици илјади клетки во секунда, читач на плочи произведува стотици мерења во еден круг. Повеќето од овие податоци се визуелни или високодимензионални, а рачната анализа е и бавна и незгодна. ВИ е особено силна во анализа на слики и автоматска класификација; но ти си тој што знае што мериш, каква контрола е валидна и дали резултатот е технички или биолошки.
Во оваа единица, ќе научите како безбедно да користите вештачка интелигенција за сегментирање на клеточни слики, броење и класифицирање, анализирање на податоците од цитометрија на проток и обработка на податоците од плочата.
Анализа на слики: сегментација и броење
Првиот чекор од анализата со микроскоп често е "колку клетки има и каде?" е прашањето. Моделите за сегментација (алатките за длабоко учење како што се Cellpose, StarDist) автоматски ги одвојуваат и бројат ќелиите; Ова го намалува неколкунеделното броење со раце на минути и ја намалува субјективноста. Но, точноста на моделот зависи од сличноста со сликите на кои е обучен: различно боење, различно зголемување или густо групирани ќелии може да го доведе во заблуда моделот. Затоа секое автоматско броење се проверува рачно на примерок.
Совет: Пред да прифатите автоматско броење ќелии, споредете го излезот на моделот со око на 5-10 случајни слики. Дали моделот се пребројува (сметајќи ги комбинираните ќелии како единечни) или пребројувањето (броењето на бучавата како ќелии)? Познавањето на оваа систематска грешка ја менува интерпретацијата на целиот ваш сет на податоци.
Што кажува мерењето, а што не?
Сликата или флуоресцентниот сигнал не е директно биологија; Тоа е прокси мерење (прокси — индиректен показател за тоа што всушност ве интересира). На пример, флуоресцентната боја е сурогат за „жива клетка“, но ефикасноста на боење, автофлуоресценцијата или поставувањето на инструментот може да го нарушат сигналот. Вештачката интелигенција може да класифицира сигнал, но одговорот на прашањето "дали овој сигнал навистина укажува на живот?" се потпира на контролите (контрола - референтни примероци кои ја тестираат валидноста на експериментот: позитивни, негативни, празно). Без контроли, ниту една автоматска анализа не е сигурна.
Внимание: ВИ може да класифицира слика како „канцерогена/здрава“ или клетка како „жива/мртва“; но без соодветни проверки, слепа евалуација и клиничка потврда, ова не е дијагноза. Дијагностичките одлуки се носат само со регулирани, потврдени системи и под стручен надзор.
Високи димензионални податоци: проточна цитометрија
Современата цитометрија на проток може да измери повеќе од 20 параметри за секоја клетка; ова е превисоко димензионално за да може да се анализира со рачно „вклучување“ - рачно избирање клеточни популации од интерес на графиконите. Намалувањето на димензијата засновано на вештачка интелигенција (UMAP, t-SNE) и автоматското групирање го забрзуваат визуелизирањето и одвојувањето на популациите. Но, овие методи го олеснуваат визуелното толкување; Вие проверувате со познати маркери дали добиените кластери се вистински биолошки популации или артефакти.
три мини футроли
Случај 1 — Броењето забрза, а субјективноста се намали. Во студија за култура на неврони, 2.400 слики со микроскоп ќе бидат избројани рачно. Автоматското броење засновано на клетки ја намали работата на 40 минути во споредба со 3 дена и го елиминираше 15% несовпаѓање меѓу набљудувачите. Тимот рачно потврди 50 слики, откри дека моделот ги пребројува густите области за 6%, и примени фактор на корекција.
Случај 2 - Фатен недостаток на контрола. На еден ученик ВИ ги класифицираше флуоресцентните слики како „позитивни/негативни“ и најде висока позитивност. Вишиот истражител праша: каде е негативната контрола? Необоената контрола го имаше истиот сигнал - автофлуоресценција. Вистинската позитивност беше речиси нула; контролата спречи неточен резултат.
Случај 3 - Артефакт на групирање. Во имунолошки проект, автоматизираното кластерирање покажа „нова“ клеточна популација. Кога се испита со маркери, се виде дека ова е артефакт со боење, а не вистинска популација. Визуелното откритие беше инспирирано, но реши биолошката верификација.
Четири шаблони за копирање
1) Работен тек на анализа на слики:
Вашата улога: експерт за анализа на слики. Предложете работен тек на Python за броење ќелии во слики со флуоресцентна микроскопија: претходна обработка, сегментација (Cellpose/StarDist), броење, табла со резултати. Објаснете ги грешките што моделот може да ги направи во густи/групни региони и како рачно да ги потврдите.
2) Контролна инспекција:
Дизајнирам анализа на одржливост базирана на флуоресценција. Наведете ги сите потребни контроли: позитивни, негативни, празно, необоено (автофлуоресценција). Објаснете каква треба да биде секоја проверка и која проверка треба да биде неочекувана и резултатот ќе биде неважечки.
3) План за анализа на проточна цитометрија:
Вашата улога: аналитичар за цитометрија на проток. Имам сет на податоци со 18 параметри. Опишете го намалувањето на димензионалноста (UMAP) и работниот тек на автоматското групирање. Кажете ми чекор по чекор со кои маркери можам да проверам дали добиените кластери се вистинска популација или артефакт.
4) Нормализација на податоците за регистарските таблички:
Имајте принос на апсорпција на плочата од 96 бунари (празни, стандардни, бунари за примероци). Напиши ми: (1) отстранување на празно, (2) стандардно прилагодување на кривата, (3) контрола на ефектот на рабовите, (4) чекори за откривање на оддалечени бунари во Python. Објаснете го образложението за секој чекор.
Слаб промпт / Силен промпт
Слаба навестување:
Анализирај ги овие слики од ќелии и кажи ми колку ќелии има.
Моделот дава неконтролиран и непроверлив број; крие систематска грешка.
Моќен потсетник:
Вашата улога: експерт за анализа на слики. Напишете Python скрипта што врши сегментација и броење јадра со Cellpose за прикачените слики на јадра обоени со DAPI. Скриптата, исто така, ја известува откриената дистрибуција на големината на објектот за секоја слика (премногу мала = шум, преголема = сомневање за споени ќелии). Додајте чекор за потврда: означете 10 случајни слики за рачно да проверувам.
Разлика: тип на нето бојадисување, медиум, контрола на бучава/спојување и задолжителен рачен чекор за проверка.
Типови на лабораториски податоци и улога на вештачката интелигенција
Тип на податоци
уред
Придонес за вештачка интелигенција
Задолжителна верификација
микроскопија
микроскоп
Сегментација, броење
Рачна контрола на примерокот
цитометрија на проток
цитометар
Кластерирање, визуелизација
Потврда за токен
податоци за регистарски таблички
читач на чинии
Нормализација, крива
контролни бунари
временски серии
приказ во живо
Следење
орбитална контрола
Класификација
Разно
Нацрт на етикетирање
слеп преглед
Лебдат домен на моделот: надвор од местото каде што беше обучен
Најподмолната слабост на моделите на слика и сигнал е промена на доменот - тивкото откажување на моделот кога ќе се сретне со податоци генерирани под различни услови од податоците на кои е обучен. Ако моделот за броење клетки е обучен на одреден микроскоп, со одредена дамка, со одредено зголемување; Сликите направени на различен уред со различно мастило може да дадат неочекувано погрешни резултати. Уште полошо, моделот не ви го кажува ова - тој произведува сигурен, но неточен излез. Затоа, пред да примените модел кој не се наоѓа на полица за вашите сопствени податоци, од суштинско значење е да се измери неговата изведба на збир на валидација на вашите сопствени услови. Ако моделот не се генерализира добро, или фино го прилагодувате со вашите сопствени податоци или ги калибрирате неговите параметри според вашите сопствени слики.
Внимание: „Овој модел даде 95% точност во публикацијата“ не значи дека ќе даде 95% точност во вашите податоци. Точноста во објавувањето е за податочните услови на публикацијата. Не претпоставувајте ги перформансите на кој било модел без да го измерите во ваши услови.
Вообичаени грешки
- Прифаќање на автоматско броење без рачна потврда. Систематското пребројување под/надвор го менува целиот резултат.
- Заобиколувајќи ги контролите. Автофлуоресценцијата и позадинскиот сигнал се помешани со вистинскиот сигнал без контрола.
- Погрешно кластери за реални популации. UMAP/кластери е визуелна алатка; мора да се потврди со токенот.
- Игнорирање на ефектот на работ. Бунарите на работ на плочата може да се одлепат поради испарување.
- Погрешна класификација на слики за дијагноза. Дијагнозата се поставува само преку одобрени, заслепени и стручно надгледувани процеси.
Сумирано
Лабораториските инструменти работат со поплава од визуелни и високодимензионални податоци; ВИ ја забрзува сегментацијата, броењето, групирањето и нормализацијата, намалувајќи ја субјективноста. Но, секој автоматизиран излез е рачно потврден на примерок, секое мерење се потврдува со соодветни контроли и секој кластер е потврден со познати маркери. Сликата или сигналот е прокси за биологија; Без контроли, ниедна автоматска анализа не е сигурна и класификацијата не ја заменува клиничката дијагноза.
Задача за апликација
Најдете јавно достапен сет на слики од ќелии (на пр. сет примерок Cellpose). Нека вештачката интелигенција да напише скрипта за сегментација и броење со шаблонот „силно барање“. Извршете го сценариото (или испитајте ја неговата логика) и споредете го резултатот со окото на неколку слики: каде греши моделот? Потоа, со шаблон за контролна проверка, наведете ги сите контроли потребни за ваш експеримент и запишете која контрола, без која резултатот би бил неважечки.
листа за проверка
- [ ] Рачно го потврдив автоматското броење/класификација на примерок.
- [ ] Ги дефинирав сите потребни контроли (позитивни, негативни, празно, необоени) во експериментот.
- [ ] Кластерите ги потврдив со маркери, директно не ја броев популацијата.
- [ ] Ги проверив ефектот на рабовите и надворешните бунари во податоците на плочата.
- [ ] Ја измерив систематската грешка (под/преброење) на моделот и ја коригирав доколку е потребно.
- [ ] Го толкував излезот од класификацијата како знак што треба да се потврди, а не како дијагноза.