Добивки:
- Способност да се одделат задачите за сегментација и класификација и да се избере соодветна готова алатка (Cellpose, StarDist, MegaDetector) за секоја
- Способност да се извлечат сигурни мерења од слики со примена на калибрација на скалата и рачна проверка
- Разберете ја потребата да се насочат предвидувањата со ниски оценки за доверба кон човечка валидација и да се потврди моделот надвор од дистрибуцијата на обуката.
Биологијата е визуелна наука: клетки под микроскоп, колонии во чинија Петри, животни во шумска камера, дамки од болест на лист. Броењето, мерењето и класифицирањето на овие слики порано беше мачна и субјективна задача која траеше со часови. Вештачката интелигенција, особено длабокото учење (препознавање на модели со повеќеслојни вештачки невронски мрежи) базирани на модели на слики, ја забрза и стандардизираше оваа работа. Во оваа единица, ќе разговараме за тоа како да се користи вештачката интелигенција во биолошката анализа на слики, готови алатки и барања за валидација.
Предупредување од почеток: моделот може да „препознае“ клетка или вид, но може и погрешно да препознае; човечките очи и верификацијата со реална етикета се од суштинско значење за критичните одлуки.
Два типа на задачи за прикажување
- Сегментација: Одделување и броење објекти (клетки, јадра) на сликата пиксел по пиксел. Пример алатки: Cellpose, StarDist. „Колку ќелии има на оваа слика со микроскоп и колку е голема секоја од нив?
- Класификација/откривање: Кажување што е на сликата или наоѓање на нејзината локација. Пример: препознавање на видот на фотографија од камера (iNaturalist, MegaDetector), класификација дали листот има болест или не.
Овие две задачи бараат различни алатки. Вештачката интелигенција (LLM) ви помага да ја изберете вистинската алатка, да го напишете кодот за инсталација и повикување и да го интерпретирате излезот.
Совет: При анализа на слики, најчесто не треба да тренирате модел од нула. Претходно обучените алатки како Cellpose работат директно на многу типови на клетки. Прво пробајте ја подготвената алатка; но рачно потврдете го резултатот на неколку слики.
Чекор по чекор: броење клетки на слики од микроскоп
- Подгответе слики: постојано зголемување, осветлување; забележете го форматот на датотеката (TIFF, итн.).
- Калибрација на скала: Знајте колку микрометри по пиксел (од суштинско значење за мерење на големината).
- Изберете алатка за сегментација: StarDist ако боење на јадрото; Целпоза за цитоплазма.
- Стартувај: пробајте ја алатката на слика.
- Потврдете рачно: споредете ги ќелиите што ги наоѓа моделот со вистинската слика; Брои споени/пропуштени ќелии.
- Серија: Ако валидацијата е задоволителна, примени на целиот сет.
- Извештај: Број на ќелии, дистрибуција на големина; Метод на документ и точност.
Шаблони за копирање на брзините
Улога: Вие сте асистент за анализа на биослика. Задача: Напишете Python код кој ги сегментира и брои клетките во микроскопска слика со Cellpose. Влез: image.tif, еден канал. Излез: број на ќелии и визуелизација на маска. Дајте работен код со коментари и оправдајте го изборот на модел.
Како да го потврдам мојот излез за сегментација? Предложете метод и метрика (прецизност, потсетување, F1) за споредување на бројот на ќелии пронајдени од моделот со примерокот што рачно го избројав. Напиши и код.
Објаснете го работниот тек на MegaDetector за откривање животни на моите фотографии од стапицата на камерата. Објаснете ги заштедите на време и ризикот од лажни негативи при елиминирање на празни рамки.
Напишете код што прави конверзија од пиксел во микрометар со информации за лентата за скала и ја пресметува површината на секоја ќелија во квадратни микрометри. Калибрација: [X] пиксел = [Y] микрометар.
Слаб промпт / Силен промпт
Слабо: „Наброј ги ќелиите на оваа фотографија“.
Силно: „Имам слика на јадра обоена со DAPI (TIFF, единечен канал, 2048x2048, скала 0,32 µm/пиксел). Напишете код што ги сегментира и брои јадрата со претходно обучениот 2D модел на StarDist, давајќи ја површината на секое јадро додајте шифри во квадратни микрометри, а потоа додадете шифри со 3 микрометри. извештај за точноста“.
Разлика: Моќниот промпт има тип на слика, сликање, резолуција, размер и шема за верификација. Моделот користи правилна алатка и правилна скала.
три мини футроли
Случај 1 — Конфлуентни клетки: Студент изброил 400 клетки во слика на густо ткиво со Cellpose; Кога броев со рака, испадна дека е 560. Моделот ги комбинираше ќелиите кои се допираат како една ќелија. AI предложи прилагодување на параметарот на дијаметарот на ќелијата и промена на прагот на проток; Бројот се искачи на 545. Лекција: прилагодете ги параметрите според вистинската слика.
Случај 2 - Збунетост на видовите: во еколошки проект, автоматското препознавање на видовите постојано ја означувало лисицата како „мачка“ на ноќните слики. Моделот објасни дека слабата светлина и нерамнотежата во податоците за обуката може да ја предизвикаат оваа грешка; Тимот ги проследи двосмислените ознаки на човечка валидација. Поука: ако резултатот на доверба на моделот е низок, човечката проверка е задолжителна.
Случај 3 - Грешка во скалата: Истражувач пријавил клеточни области во пиксели, но заборавил да ги претвори во микрометри; Резултатот беше некомпатибилен со литературата. Кога вештачката интелигенција го додаде чекорот на калибрација, вредностите паднаа во разумен опсег. Лекција: конверзијата на физичка единица е критична.
споредбена табела
Потрага
соодветно возило
метрика за верификација
Сегментација на јадрото
StarDist
Ф1 со рачно броење
Граница на цитоплазма/клетка
ќелија
IoU (стапка на преклопување)
Идентификација на видови (дивиот свет)
MegaDetector/iNaturalist
Резултат на доверба + човечко одобрување
класификација на болеста
Специјално обучен модел
Матрица за конфузија
Вообичаени грешки
- Сериска обработка без рачна валидација: Пропагирање на грешката на моделот низ сите податоци.
- Прескокнување на калибрација на скалата: Не се конвертира пикселната единица во физичка единица.
- Прифаќање предвидувања со ниски оценки за доверба: Не упатување на несигурни ситуации на луѓе.
- Оставање на параметрите како стандардни: не се прилагодуваат поставките како што е дијаметарот на ќелијата на сликата.
- Слика надвор од дистрибуцијата на обуката: Слепо користење на моделот во состојба што никогаш не ја видел (различно боење, тип).
Внимание: моделите на слики може да имаат добар ефект на слики слични на податоците за обуката, но неочекувано слабо под различни услови (нова дамка, нов вид, различен микроскоп). Кога се префрлате во нов сет на податоци, не му верувајте на моделот без рачно да го потврдите на неколку слики. Човечката согласност е од суштинско значење за одлуки со високи последици, како што се зачувување на видовите или дијагноза.
Од сегментација до мерење: надвор од броевите
Броењето клетки често е првиот чекор; Внатрешната вредност извлекува мерења за секој објект. Десетици карактеристики по ќелија, како што се површина, периметар, заобленост, интензитет на флуоресценција (колку е изразен маркерот), може да се пресметаат од маска за сегментација. Функцијата regionprops во библиотеката со слики со слики го прави тоа. AI пишува код кој ги извлекува овие мерења и ги истура резултатите во табела; исто така можете да споредувате групи (на пр. „дали третираните клетки помали од контролната?“).
Извлечете ја површината, периметарот и просечниот интензитет на флуоресценција на секоја клетка од маската Cellpose со регионални потпори со слика на scikit. Напишете го резултатот во CSV; Споредете ги групите за контрола и третман во графичката кутија. Примени калибрација на скалата (µm/пиксел).
Совет: Не заборавајте да ја отстраните позадината при мерење на густината; Некалибрираните вредности на интензитет зависат од поставката на микроскопот и се споредливи не во апсолутна смисла, туку во релативна смисла помеѓу групи земени под исти услови.
Кога да се обучи модел: малку податоци, внимателно етикетирање
Понекогаш алатките што се достапни не се доволни и треба да го обучите вашиот сопствен модел на класификација (на пример, специфичен симптом на болест). Тука се издвојуваат две стапици. Првиот е истекување на податоци: сликите на истиот поединец/примерок кои се вклучени и во сетови за обука и тест прават моделот да изгледа поуспешен отколку што е; направи поделба на индивидуално ниво. Втората е неурамнотежена класа: ако примероците од пациентите се малку, моделот покажува висока точност со тоа што вели „секогаш здрав“, но е бескорисен; Погледнете ја матрицата за чувствителност (потсетување) и конфузија наместо точноста. Вештачката интелигенција го пишува овој код за обука, но ваша работа е да се движите низ овие методолошки стапици.
Квалитет на слика и претходна обработка
Успехот на моделот на дисплеј директно зависи од квалитетот на сликата што ја давате. Сликите што се надвор од фокус, преекспонирани, со низок контраст или направени со различни зголемувања ќе го збунат дури и најдобриот модел. Затоа едноставните чекори за претходна обработка пред сегментацијата често значително го подобруваат резултатот: корекција на позадината (отстранување на нерамнотежата на осветлувањето), нормализација на контрастот и намалување на шумот. Вештачката интелигенција го пишува овој код за предобработка (со scikit-image или OpenCV); Но, вие одлучувате која корекција е неопходна со гледање на сликата. Прекумерната претобработка е исто така опасна: премногу „чистење“ на сликата може да ја избрише вистинската биолошка структура и да се претвори во разубавување на податоците. Правилото е ова: преобработката треба да се примени на сите слики на ист, предефиниран начин, а не селективно да се прави една по една за да се разубави резултатот.
Спроведување на стандардна претобработка на сликите на моите микроскоп пред сегментација: корекција на позадина, нормализација на контрастот, мало намалување на шумот. Применете ги истите параметри на СИТЕ слики (не селективно). Прикажи пред/по споредба. Користете scikit-image.
Сумирано
Вештачката интелигенција заштедува многу време во биолошката анализа на слики (сегментација на клетки, откривање видови/болест). Алатките кои не се достапни на полица како Cellpose, StarDist, MegaDetector ги решаваат повеќето задачи без обука од нула. Сепак, резултатот мора да се потврди рачно, скалата мора да се калибрира и ниските оценки за доверба мора да бидат насочени кон луѓето. Моделот е несигурен надвор од дистрибуцијата на обуката; Потврдата е од суштинско значење кога се префрлате на нови податоци.
Задача за апликација
Направете слика со микроскоп (или примерок на податоци). Нека вештачката интелигенција пишува и работи код што ги сегментира и брои ќелиите со Cellpose или StarDist. Споредете рачно броејќи ги ќелиите што моделот ги наоѓа на барем една слика; Забележете колку ќелии се пропуштени/споени. Пријавете ги областите на ќелиите во квадратни микрометри со додавање калибрација на скалата.
листа за проверка
- [ ] Ги додадов типот на сликата, сликањето и резолуцијата на промптот.
- [ ] Применив калибрација на скалата (пиксел-микрометар).
- [ ] Рачно го потврдив резултатот на барем една слика.
- [ ] Ги поставив параметрите за сегментација според сликата.
- [ ] Ги проследив предвидувањата со ниски оценки за доверба до човечка валидација.
- [ ] Не му верував на моделот без да го потврдам во новиот сет на податоци.