Faida:
- Uwezo wa kutumia akili ya bandia kugawa, kuhesabu na kuainisha picha za seli na kudhibitisha kiotomatiki matokeo katika sampuli.
- Uwezo wa kutenganisha vizalia vya kiufundi kutoka kwa ishara ya kweli kwa kuhalalisha kila kipimo kwa vidhibiti vinavyofaa (chanya, hasi, tupu, bila doa)
- Uwezo wa kuthibitisha makundi ya cytometry ya mtiririko na alama zinazojulikana na uainishaji tofauti wa picha kutoka kwa uchunguzi wa kimatibabu
Maabara ya bioengineering ni kiwanda cha data: darubini hutoa maelfu ya picha za seli kwa siku, cytometer ya mtiririko hutoa makumi ya maelfu ya seli kwa pili, msomaji wa sahani hutoa mamia ya vipimo katika mzunguko mmoja. Data hii nyingi ni ya kuona au ya hali ya juu, na uchanganuzi wa mikono ni wa polepole na mgumu. AI ina nguvu hasa katika uchanganuzi wa picha na uainishaji otomatiki; lakini wewe ndiye unajua unapima nini, udhibiti gani ni halali, na matokeo yake ni ya kiufundi au ya kibaolojia.
Katika kitengo hiki, utajifunza jinsi ya kutumia AI kwa usalama kugawa picha za seli, kuhesabu na kuainisha, kuchanganua data ya saitometi ya mtiririko, na kuchakata data ya sahani.
Uchambuzi wa picha: sehemu na kuhesabu
Hatua ya kwanza ya uchambuzi wa microscopy mara nyingi "ni seli ngapi ziko na wapi?" ni swali. Miundo ya sehemu (zana za kujifunza kwa kina kama vile Cellpose, StarDist) hutenganisha kiotomatiki na kuhesabu seli; Hii inapunguza wiki za kuhesabu mikono hadi dakika na inapunguza kujihusisha. Lakini usahihi wa modeli inategemea kufanana na picha ambazo ilifunzwa: rangi tofauti, ukuzaji tofauti, au seli zilizounganishwa sana zinaweza kupotosha mfano. Ndiyo maana kila hesabu ya kiotomatiki inathibitishwa mwenyewe kwenye sampuli.
Kidokezo: Kabla ya kukubali hesabu ya seli kiotomatiki, linganisha toleo la muundo kwa jicho kwenye picha 5-10 nasibu. Je, kielelezo kinahesabu chini (kuhesabu seli zilizounganishwa kuwa moja) au kuhesabu kupita kiasi (kuhesabu kelele kama seli)? Kujua hitilafu hii ya kimfumo hubadilisha tafsiri ya seti yako yote ya data.
Je, kipimo kinasema nini na hakisemi nini?
Ishara ya picha au fluorescence sio biolojia moja kwa moja; Ni kipimo cha proksi (proksi - kiashirio kisicho cha moja kwa moja cha kile ambacho unavutiwa nacho). Kwa mfano, rangi ya fluorescent ni mbadala wa "seli hai," lakini ufanisi wa kuchafua, autofluorescence, au mpangilio wa chombo unaweza kupotosha mawimbi. AI inaweza kuainisha ishara, lakini jibu la swali "je, ishara hii inaonyesha maisha?" inategemea vidhibiti (kudhibiti - sampuli za kumbukumbu zinazojaribu uhalali wa jaribio: chanya, hasi, tupu). Bila vidhibiti, hakuna uchanganuzi wa kiotomatiki unaotegemewa.
Tahadhari: AI inaweza kuainisha picha kuwa "ya saratani/afya" au seli kama "hai/imekufa"; lakini bila hundi zinazofaa, tathmini ya upofu na uthibitisho wa kliniki, hii sio uchunguzi. Maamuzi ya uchunguzi hufanywa tu na mifumo iliyodhibitiwa, iliyoidhinishwa na chini ya usimamizi wa wataalam.
Data ya hali ya juu: saitoometri ya mtiririko
Cytometry ya kisasa ya mtiririko inaweza kupima vigezo zaidi ya 20 kwa kila seli; hii ni ya hali ya juu sana kuweza kuchanganuliwa kwa "kuweka mlango" mwenyewe - kuchagua mwenyewe idadi ya seli zinazovutia kwenye grafu. Upunguzaji wa mwelekeo unaotegemea AI (UMAP, t-SNE) na mkusanyiko wa kiotomatiki huharakisha taswira na kutenganisha idadi ya watu. Lakini njia hizi hurahisisha tafsiri ya kuona; Unathibitisha kwa vialamisho vinavyojulikana kama makundi yanayotokana ni idadi halisi ya kibayolojia au vizalia vya programu.
kesi tatu ndogo
Kesi ya 1 - Kuhesabu kumeharakishwa na ubinafsi umepungua. Katika utafiti wa utamaduni wa nyuroni, picha 2,400 za hadubini zitahesabiwa kwa mkono. Kuhesabu kiotomatiki kwa msingi wa seli kulipunguza kazi hadi dakika 40 ikilinganishwa na siku 3 na kuondoa tofauti ya 15% ya watazamaji. Timu ilithibitisha picha 50 kwa mikono, ikagundua kuwa muundo huo ulihesabu chini ya maeneo mnene kwa 6%, na kutumia kipengele cha kusahihisha.
Kesi ya 2 - Ukosefu wa udhibiti ulipatikana. Mwanafunzi alikuwa na AI kuainisha picha za fluorescence kama "chanya/hasi" na akapata chanya cha juu. Mpelelezi mkuu aliuliza: udhibiti hasi uko wapi? Udhibiti usio na uchafu ulikuwa na ishara sawa - autofluorescence. Chanya halisi ilikuwa karibu sifuri; udhibiti ulizuia matokeo yasiyo sahihi.
Kesi ya 3 - Vizalia vya programu vya kuunganisha. Katika mradi wa immunology, nguzo za kiotomatiki zilionyesha idadi ya seli "mpya". Ilipochunguzwa kwa vialamisho, ilionekana kuwa hiki kilikuwa kibaki cha madoa na si idadi halisi ya watu. Ugunduzi unaoonekana umehamasishwa lakini uthibitishaji wa kibayolojia uliamua.
Violezo vinne vinavyoweza kunakiliwa
1) Mtiririko wa uchambuzi wa picha:
Jukumu lako: mtaalam wa uchambuzi wa picha. Pendekeza mtiririko wa kazi wa Python kwa kuhesabu seli katika picha za hadubini za fluorescent: usindikaji wa awali, ugawaji (Cellpose/StarDist), kuhesabu, ubao wa matokeo. Eleza makosa ambayo muundo unaweza kufanya katika maeneo yenye misongamano/makundi na jinsi ya kuyathibitisha mwenyewe.
2) ukaguzi wa udhibiti:
Ninabuni majaribio ya uwezekano wa msingi wa fluorescence. Orodhesha vidhibiti vyote vinavyohitajika: chanya, hasi, tupu, kisicho na doa (autofluorescence). Eleza nini kila hundi inapaswa kuwa na hundi gani inapaswa kuwa isiyotarajiwa na matokeo yatakuwa batili.
3) Mpango wa uchambuzi wa cytometry ya mtiririko:
Jukumu lako: mchambuzi wa cytometry ya mtiririko. Nina seti ya data iliyo na vigezo 18. Eleza upunguzaji wa mwelekeo (UMAP) na mtiririko wa kazi wa nguzo otomatiki. Niambie hatua kwa hatua ni alama zipi ninaweza kuthibitisha ikiwa makundi yanayotokana ni idadi halisi ya watu au vizalia vya programu.
4) Urekebishaji wa data ya sahani ya leseni:
Kuwa na mavuno ya kunyonya sahani yenye visima 96 (tupu, kiwango, visima vya sampuli). Niandikie: (1) uondoaji tupu, (2) uwekaji wa kawaida wa curve, (3) udhibiti wa athari ya makali, (4) hatua za kugundua kisima cha nje kwenye Python. Eleza mantiki kwa kila hatua.
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Changanua picha hizi za seli na uniambie ni seli ngapi.
Mfano hutoa nambari isiyodhibitiwa na isiyoweza kuthibitishwa; huficha makosa ya kimfumo.
Agizo lenye nguvu:
Jukumu lako: mtaalam wa uchambuzi wa picha. Andika hati ya Python ambayo hufanya sehemu na kuhesabu viini kwa Cellpose kwa picha zilizoambatishwa za viini vya DAPI. Hati pia inaripoti usambaaji wa ukubwa wa kitu uliotambuliwa kwa kila picha (ndogo mno = kelele, kubwa mno = tuhuma za seli zilizoungana). Ongeza hatua ya uthibitishaji: Weka alama kwenye picha 10 za nasibu ili niangalie mwenyewe.
Tofauti: aina ya uchoraji wa wavu, kati, kelele/udhibiti wa kuunganisha na hatua ya lazima ya uthibitishaji wa mwongozo.
Aina za data za maabara na jukumu la AI
Aina ya data
kifaa
Mchango wa AI
Uthibitishaji wa lazima
hadubini
hadubini
Mgawanyiko, kuhesabu
Udhibiti wa sampuli kwa mikono
cytometry ya mtiririko
cytometer
Kuunganisha, taswira
Uthibitisho wa ishara
data ya sahani ya leseni
msomaji sahani
Kurekebisha, curve
kudhibiti visima
mfululizo wa wakati
mtazamo wa moja kwa moja
Kufuatilia
udhibiti wa orbital
Uainishaji
Mbalimbali
Rasimu ya kuweka lebo
mapitio ya upofu
Domain drift ya mfano: nje ambapo ilikuwa mafunzo
Udhaifu wa siri zaidi wa miundo ya picha na mawimbi ni kuhama kwa kikoa - kutofaulu kimya kwa muundo unapokumbana na data iliyotolewa chini ya hali tofauti na data ambayo ilifunzwa. Ikiwa mfano wa kuhesabu seli umefunzwa kwenye darubini fulani, na doa fulani, kwa ukuzaji fulani; Picha zilizopigwa kwenye kifaa tofauti na wino tofauti zinaweza kutoa matokeo mabaya bila kutarajiwa. Mbaya zaidi, mfano haukuambii hii - hutoa matokeo ya kujiamini lakini yasiyo sahihi. Kwa hivyo, kabla ya kutumia kielelezo cha nje ya rafu kwa data yako mwenyewe, ni muhimu kupima utendaji wake kwenye seti ya uthibitishaji wa masharti yako mwenyewe. Ikiwa kielelezo hakijajumlisha vizuri, unaweza kuifanya vizuri na data yako mwenyewe au kurekebisha vigezo vyake dhidi ya picha zako mwenyewe.
Zingatia: "Mtindo huu ulitoa usahihi wa 95% katika uchapishaji" haimaanishi kuwa utatoa usahihi wa 95% katika data yako. Usahihi katika uchapishaji ni kwa hali ya data ya uchapishaji. Usifikirie utendaji wa mtindo wowote bila kuupima katika hali yako mwenyewe.
Makosa ya kawaida
- Inakubali kuhesabu kiotomatiki bila uthibitishaji mwenyewe. Kuhesabu kwa utaratibu chini ya/kuzidi huhamisha matokeo yote.
- Kukwepa vidhibiti. Mawimbi ya otomatiki na mawimbi ya mandharinyuma yamekosewa kuwa mawimbi halisi bila udhibiti.
- Vikundi vinavyokosea kwa idadi halisi. UMAP/vikundi ni zana inayoonekana; lazima ithibitishwe na ishara.
- Kupuuza athari ya makali. Visima kwenye ukingo wa sahani vinaweza kuteleza kwa sababu ya uvukizi.
- Uainishaji mbaya wa picha kwa utambuzi. Utambuzi hufanywa tu kupitia michakato iliyoidhinishwa, kupofushwa na kusimamiwa kwa ustadi.
Kwa muhtasari
Vyombo vya maabara hufanya kazi na mafuriko ya data ya kuona na ya juu-dimensional; AI huharakisha ugawaji, kuhesabu, kuunganisha na kuhalalisha, kupunguza ubinafsi. Lakini kila pato la kiotomatiki linaidhinishwa kwa mikono kwenye sampuli, kila kipimo kinaidhinishwa kwa vidhibiti vinavyofaa, na kila nguzo inathibitishwa kwa vialamisho vinavyojulikana. Picha au ishara ni wakala wa biolojia; Bila udhibiti, hakuna uchambuzi wa kiotomatiki unaotegemewa na uainishaji hauchukui nafasi ya utambuzi wa kimatibabu.
Jukumu la maombi
Tafuta seti ya data ya picha ya seli inayopatikana kwa umma (k.m. seti ya sampuli ya Cellpose). Ruhusu AI iandike hati ya kugawa na kuhesabu kwa kiolezo cha "uhakika mkali". Endesha hati (au chunguza mantiki yake) na ulinganishe matokeo na jicho katika picha chache: mfano uko wapi kufanya makosa? Kisha, kwa kiolezo cha ukaguzi wa udhibiti, orodhesha vidhibiti vyote vinavyohitajika kwa jaribio lako mwenyewe na uandike ni udhibiti gani, bila ambayo matokeo yatakuwa batili.
orodha ya ukaguzi
- [ ] Nilithibitisha kiotomati kuhesabu/kuainisha kwenye sampuli.
- [ ] Nilifafanua vidhibiti vyote vinavyohitajika (chanya, hasi, tupu, bila kupakwa rangi) katika jaribio.
- [ ] Nilithibitisha makundi yenye vialamisho, sikuhesabu idadi ya watu moja kwa moja.
- [ ] Niliangalia athari ya ukingo na visima vya nje kwenye data ya sahani.
- [ ] Nilipima hitilafu ya kimfumo (chini/kuhesabu kupita kiasi) ya modeli na kuisahihisha ikiwa ni lazima.
- [ ] Nilifasiri matokeo ya uainishaji kama ishara ya kuthibitishwa, si utambuzi.