ஆய்வக தரவு மற்றும் பட பகுப்பாய்வு: நுண்ணோக்கி, ஓட்டம் சைட்டோமெட்ரி மற்றும் தட்டு தரவு

ஆதாயங்கள்:

• செயற்கை நுண்ணறிவைப் பயன்படுத்தி செல் படங்களைப் பிரிக்கவும், எண்ணவும் மற்றும் வகைப்படுத்தவும் மற்றும் மாதிரியில் தானியங்கி வெளியீட்டை கைமுறையாக சரிபார்க்கவும்
• ஒவ்வொரு அளவீட்டையும் பொருத்தமான கட்டுப்பாடுகளுடன் (நேர்மறை, எதிர்மறை, வெற்று, கறை படியாத) சரிபார்ப்பதன் மூலம் உண்மையான சமிக்ஞையிலிருந்து தொழில்நுட்ப கலைப்பொருளை பிரிக்கும் திறன்
• அறியப்பட்ட குறிப்பான்களுடன் ஓட்டம் சைட்டோமெட்ரி கிளஸ்டர்களை சரிபார்க்கும் திறன் மற்றும் மருத்துவ நோயறிதலிலிருந்து தனி பட வகைப்பாடு

பயோ இன்ஜினியரிங் ஆய்வகம் ஒரு தரவு தொழிற்சாலை: ஒரு நுண்ணோக்கி ஒரு நாளைக்கு ஆயிரக்கணக்கான செல் படங்களை உருவாக்குகிறது, ஒரு ஃப்ளோ சைட்டோமீட்டர் வினாடிக்கு பல்லாயிரக்கணக்கான செல்களை உருவாக்குகிறது, ஒரு பிளேட் ரீடர் ஒரு சுற்றில் நூற்றுக்கணக்கான அளவீடுகளை உருவாக்குகிறது. இந்தத் தரவுகளில் பெரும்பாலானவை காட்சி அல்லது உயர் பரிமாணமானவை, மேலும் கையேடு பகுப்பாய்வு மெதுவாகவும் சிக்கலானதாகவும் இருக்கும். AI குறிப்பாக பட பகுப்பாய்வு மற்றும் தானியங்கி வகைப்பாடு ஆகியவற்றில் வலுவானது; ஆனால் நீங்கள் எதை அளவிடுகிறீர்கள், என்ன கட்டுப்பாடு செல்லுபடியாகும் மற்றும் அதன் முடிவு தொழில்நுட்பமா அல்லது உயிரியல் சார்ந்ததா என்பதை நீங்கள் அறிந்தவர்.

இந்த யூனிட்டில், செல் படங்களைப் பிரிப்பதற்கும், எண்ணுவதற்கும் வகைப்படுத்துவதற்கும், ஃப்ளோ சைட்டோமெட்ரி தரவை பகுப்பாய்வு செய்வதற்கும், பிளேட் தரவைச் செயலாக்குவதற்கும் AI ஐ எவ்வாறு பாதுகாப்பாகப் பயன்படுத்துவது என்பதை நீங்கள் கற்றுக் கொள்வீர்கள்.

பட பகுப்பாய்வு: பிரிவு மற்றும் எண்ணுதல்

நுண்ணோக்கி பகுப்பாய்வு முதல் படி பெரும்பாலும் "எத்தனை செல்கள் உள்ளன மற்றும் எங்கே?" என்பது கேள்வி. பிரிவு மாதிரிகள் (செல்போஸ், ஸ்டார்டிஸ்ட் போன்ற ஆழமான கற்றல் கருவிகள்) தானாகவே செல்களைப் பிரித்து எண்ணுகின்றன; இது வாரக்கணக்கான கைகளை நிமிடங்களாகக் குறைக்கிறது மற்றும் அகநிலையைக் குறைக்கிறது. ஆனால் மாதிரியின் துல்லியமானது அது பயிற்றுவிக்கப்பட்ட படங்களுடனான ஒற்றுமையைப் பொறுத்தது: வேறுபட்ட கறை, வேறு உருப்பெருக்கம் அல்லது அடர்த்தியான கொத்து செல்கள் மாதிரியை தவறாக வழிநடத்தும். அதனால்தான் ஒவ்வொரு தானியங்கி எண்ணிக்கையும் ஒரு மாதிரியில் கைமுறையாக சரிபார்க்கப்படுகிறது.

உதவிக்குறிப்பு: தானியங்கி செல் எண்ணிக்கையை ஏற்றுக்கொள்வதற்கு முன், மாதிரி வெளியீட்டை 5-10 ரேண்டம் படங்களுடன் ஒப்பிடவும். மாதிரியானது குறைவாகக் கணக்கிடப்படுகிறதா (ஒருங்கிணைந்த செல்களை ஒற்றை எண்ணாகக் கணக்கிடுவது) அல்லது அதிக எண்ணிக்கையில் (சத்தத்தை கலங்களாகக் கணக்கிடுவது)? இந்த முறையான பிழையை அறிவது உங்கள் முழு தரவு தொகுப்பின் விளக்கத்தையும் மாற்றுகிறது.

அளவீடு என்ன சொல்கிறது, என்ன சொல்லவில்லை?

ஒரு படம் அல்லது ஒளிரும் சமிக்ஞை நேரடியாக உயிரியல் அல்ல; இது ஒரு ப்ராக்ஸி அளவீடு (ப்ராக்ஸி — நீங்கள் உண்மையில் ஆர்வமாக இருப்பதற்கான மறைமுக அறிகுறி). எடுத்துக்காட்டாக, ஃப்ளோரசன்ட் சாயம் என்பது "வாழும் உயிரணு" என்பதற்கான ஒரு பினாமி ஆகும், ஆனால் கறை படிந்த செயல்திறன், ஆட்டோஃப்ளோரசன்ஸ் அல்லது கருவி அமைப்பு ஆகியவை சமிக்ஞையை சிதைக்கலாம். AI ஒரு சமிக்ஞையை வகைப்படுத்தலாம், ஆனால் "இந்த சமிக்ஞை உண்மையில் வாழ்க்கையைக் குறிக்கிறதா?" என்ற கேள்விக்கான பதில் கட்டுப்பாடுகளை நம்பியுள்ளது (கட்டுப்பாடு - சோதனையின் செல்லுபடியை சோதிக்கும் குறிப்பு மாதிரிகள்: நேர்மறை, எதிர்மறை, வெற்று). கட்டுப்பாடுகள் இல்லாமல், எந்த தானியங்கு பகுப்பாய்வு நம்பகமானது அல்ல.

எச்சரிக்கை: AI ஆனது ஒரு படத்தை "புற்றுநோய்/ஆரோக்கியமானது" அல்லது ஒரு செல் "உயிருடன்/இறந்தது" என வகைப்படுத்தலாம்; ஆனால் சரியான சோதனைகள், குருட்டு மதிப்பீடு மற்றும் மருத்துவ உறுதிப்படுத்தல் இல்லாமல், இது ஒரு நோயறிதல் அல்ல. நெறிமுறைப்படுத்தப்பட்ட, சரிபார்க்கப்பட்ட அமைப்புகள் மற்றும் நிபுணர் மேற்பார்வையின் கீழ் மட்டுமே கண்டறியும் முடிவுகள் எடுக்கப்படுகின்றன.

உயர் பரிமாண தரவு: ஓட்டம் சைட்டோமெட்ரி

நவீன ஓட்டம் சைட்டோமெட்ரி ஒவ்வொரு கலத்திற்கும் 20 க்கும் மேற்பட்ட அளவுருக்களை அளவிட முடியும்; கையேடு "கேட்டிங்" மூலம் பகுப்பாய்வு செய்ய இது மிகவும் உயர் பரிமாணமாகும் - வரைபடங்களில் ஆர்வமுள்ள செல் மக்கள்தொகையை கைமுறையாக தேர்ந்தெடுப்பது. AI-அடிப்படையிலான பரிமாணக் குறைப்பு (UMAP, t-SNE) மற்றும் தானியங்கி கிளஸ்டரிங் ஆகியவை மக்கள்தொகையைக் காட்சிப்படுத்துவதையும் பிரிப்பதையும் துரிதப்படுத்துகின்றன. ஆனால் இந்த முறைகள் காட்சி விளக்கத்தை எளிதாக்குகின்றன; இதன் விளைவாக வரும் கொத்துகள் உண்மையான உயிரியல் மக்கள்தொகையா அல்லது கலைப்பொருட்களா என்பதை அறியப்பட்ட குறிப்பான்களைக் கொண்டு சரிபார்க்கிறீர்கள்.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - எண்ணுதல் துரிதப்படுத்தப்பட்டது மற்றும் அகநிலை குறைந்தது. ஒரு நியூரான் கலாச்சார ஆய்வில், 2,400 நுண்ணோக்கி படங்கள் கையால் கணக்கிடப்படும். செல்போஸ்-அடிப்படையிலான தானியங்கு எண்ணுதல் 3 நாட்களுடன் ஒப்பிடும்போது வேலையை 40 நிமிடங்களாகக் குறைத்தது மற்றும் 15% இன்டர்ஒப்சர்வர் முரண்பாட்டை நீக்கியது. குழு 50 படங்களை கைமுறையாகச் சரிபார்த்தது, மாடல் அடர்த்தியான பகுதிகளை 6% குறைத்து, திருத்தும் காரணியைப் பயன்படுத்தியது.

வழக்கு 2 - கட்டுப்பாட்டின்மை பிடிபட்டது. ஒரு மாணவர் AI ஃப்ளோரசன்ஸ் படங்களை "நேர்மறை/எதிர்மறை" என வகைப்படுத்தி அதிக நேர்மறையைக் கண்டறிந்தார். மூத்த புலனாய்வாளர் கேட்டார்: எதிர்மறை கட்டுப்பாடு எங்கே? கறை படியாத கட்டுப்பாடு அதே சமிக்ஞையைக் கொண்டிருந்தது - ஆட்டோஃப்ளோரசன்ஸ். உண்மையான நேர்மறை கிட்டத்தட்ட பூஜ்ஜியமாக இருந்தது; கட்டுப்பாடு தவறான முடிவைத் தடுத்தது.

வழக்கு 3 - கிளஸ்டரிங் கலைப்பொருள். நோயெதிர்ப்புத் திட்டத்தில், தானியங்கு கிளஸ்டரிங் "புதிய" செல் மக்கள்தொகையைக் காட்டியது. குறிப்பான்களைக் கொண்டு ஆய்வு செய்தபோது, ​​இது ஒரு கறை படிந்த கலைப்பொருள் மற்றும் உண்மையான மக்கள் தொகை அல்ல என்பது தெரிந்தது. காட்சி கண்டுபிடிப்பு ஈர்க்கப்பட்டது ஆனால் உயிரியல் சரிபார்ப்பு முடிவு செய்யப்பட்டது.

நகலெடுக்கக்கூடிய நான்கு வார்ப்புருக்கள்

1) பட பகுப்பாய்வு பணிப்பாய்வு:

உங்கள் பங்கு: பட பகுப்பாய்வு நிபுணர். ஃப்ளோரசன்ட் நுண்ணோக்கிப் படங்களில் செல் எண்ணிக்கைக்கான பைதான் பணிப்பாய்வுகளைப் பரிந்துரைக்கவும்: முன் செயலாக்கம், பிரித்தல் (செல்போஸ்/ஸ்டார்டிஸ்ட்), எண்ணுதல், முடிவுப் பலகை. மாதிரியானது அடர்த்தியான/தொகுதியான பகுதிகளில் செய்யக்கூடிய பிழைகள் மற்றும் அவற்றை எவ்வாறு கைமுறையாக சரிபார்ப்பது என்பதை விளக்குங்கள்.

2) கட்டுப்பாட்டு ஆய்வு:

ஃப்ளோரசன்ஸ் அடிப்படையிலான நம்பகத்தன்மை மதிப்பீட்டை வடிவமைத்து வருகிறேன். தேவையான அனைத்து கட்டுப்பாடுகளையும் பட்டியலிடுங்கள்: நேர்மறை, எதிர்மறை, வெற்று, கறையற்ற (ஆட்டோஃப்ளோரெசன்ஸ்). ஒவ்வொரு காசோலையும் என்னவாக இருக்க வேண்டும் மற்றும் எந்த காசோலை எதிர்பாராததாக இருக்க வேண்டும் என்பதை விளக்குங்கள் மற்றும் முடிவு தவறானதாக இருக்கும்.

3) ஃப்ளோ சைட்டோமெட்ரி பகுப்பாய்வு திட்டம்:

உங்கள் பங்கு: ஓட்டம் சைட்டோமெட்ரி ஆய்வாளர். என்னிடம் 18 அளவுருக்கள் கொண்ட தரவுத் தொகுப்பு உள்ளது. பரிமாணக் குறைப்பு (UMAP) மற்றும் தானியங்கி கிளஸ்டரிங் பணிப்பாய்வு ஆகியவற்றை விவரிக்கவும். இதன் விளைவாக வரும் கிளஸ்டர்கள் உண்மையான மக்கள் தொகையா அல்லது கலைப்பொருளா என்பதை எந்த குறிப்பான்கள் மூலம் சரிபார்க்க முடியும் என்பதை படிப்படியாக சொல்லுங்கள்.

4) உரிமத் தட்டு தரவு இயல்பாக்கம்:

96-கிணறு தட்டு உறிஞ்சும் விளைச்சல் (வெற்று, நிலையான, மாதிரி கிணறுகள்) வேண்டும். எனக்கு எழுது: (1) வெற்று நீக்கம், (2) நிலையான வளைவு பொருத்துதல், (3) விளிம்பு விளைவு கட்டுப்பாடு, (4) பைத்தானில் வெளிப்புற கிணறு கண்டறிதல் படிகள். ஒவ்வொரு அடிக்கும் காரணத்தை விளக்குங்கள்.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான உடனடி:

இந்த செல் படங்களை பகுப்பாய்வு செய்து, எத்தனை செல்கள் உள்ளன என்று சொல்லுங்கள்.

மாதிரியானது கட்டுப்பாடற்ற மற்றும் சரிபார்க்க முடியாத எண்ணிக்கையை அளிக்கிறது; முறையான பிழையை மறைக்கிறது.

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: பட பகுப்பாய்வு நிபுணர். இணைக்கப்பட்ட DAPI படிந்த கருப் படங்களுக்கு செல்போஸ் மூலம் பிரித்தல் மற்றும் கருவை எண்ணும் பைதான் ஸ்கிரிப்டை எழுதவும். ஒவ்வொரு படத்திற்கும் கண்டறியப்பட்ட பொருளின் அளவு விநியோகத்தையும் ஸ்கிரிப்ட் தெரிவிக்கிறது (மிகச் சிறியது = சத்தம், மிகப் பெரியது = ஒன்றிணைந்த கலங்களின் சந்தேகம்). சரிபார்ப்புப் படியைச் சேர்க்கவும்: நான் கைமுறையாகச் சரிபார்க்க 10 சீரற்ற படங்களைக் குறிக்கவும்.

வித்தியாசம்: நிகர ஓவியம் வகை, நடுத்தர, சத்தம்/சேர்தல் கட்டுப்பாடு மற்றும் கட்டாய கைமுறை சரிபார்ப்பு படி.

ஆய்வக தரவு வகைகள் மற்றும் AI பங்கு

தரவு வகை

சாதனம்

AI பங்களிப்பு

கட்டாய சரிபார்ப்பு

நுண்ணோக்கி

நுண்ணோக்கி

பிரிவு, எண்ணுதல்

கைமுறை மாதிரி கட்டுப்பாடு

ஓட்டம் சைட்டோமெட்ரி

சைட்டோமீட்டர்

கிளஸ்டரிங், காட்சிப்படுத்தல்

டோக்கன் உறுதிப்படுத்தல்

உரிமத் தட்டு தரவு

தட்டு ரீடர்

இயல்பாக்கம், வளைவு

கட்டுப்பாட்டு கிணறுகள்

நேரத் தொடர்

நேரடி காட்சி

கண்காணிப்பு

சுற்றுப்பாதை கட்டுப்பாடு

வகைப்பாடு

இதர

லேபிளிங் வரைவு

குருட்டு விமர்சனம்

மாதிரியின் டொமைன் டிரிஃப்ட்: அது பயிற்சி பெற்ற இடத்திற்கு வெளியே

படம் மற்றும் சிக்னல் மாடல்களின் மிகவும் நயவஞ்சகமான பலவீனம் டொமைன் ஷிப்ட் ஆகும் - இது பயிற்சியளிக்கப்பட்ட தரவை விட வெவ்வேறு நிலைமைகளின் கீழ் உருவாக்கப்பட்ட தரவை எதிர்கொள்ளும் போது மாதிரியின் அமைதியான தோல்வி. ஒரு செல் எண்ணும் மாதிரியானது ஒரு குறிப்பிட்ட நுண்ணோக்கியில், ஒரு குறிப்பிட்ட கறையுடன், ஒரு குறிப்பிட்ட உருப்பெருக்கத்தில் பயிற்சியளிக்கப்பட்டால்; வேறு மை மூலம் வேறு சாதனத்தில் எடுக்கப்பட்ட படங்கள் எதிர்பாராத தவறான முடிவுகளைத் தரலாம். மோசமானது, மாடல் இதை உங்களுக்குச் சொல்லவில்லை - இது ஒரு நம்பிக்கையான ஆனால் துல்லியமற்ற வெளியீட்டை உருவாக்குகிறது. எனவே, உங்கள் சொந்த தரவுகளுக்கு ஆஃப்-தி-ஷெல்ஃப் மாதிரியைப் பயன்படுத்துவதற்கு முன், உங்கள் சொந்த நிபந்தனைகளின் சரிபார்ப்பு தொகுப்பில் அதன் செயல்திறனை அளவிடுவது அவசியம். மாடல் நன்றாகப் பொதுமைப்படுத்தவில்லை என்றால், உங்கள் சொந்தத் தரவைக் கொண்டு அதை நன்றாகச் சரிசெய்யவும் அல்லது உங்கள் சொந்தப் படங்களுக்கு எதிராக அதன் அளவுருக்களை அளவீடு செய்யவும்.

கவனம்: "இந்த மாதிரியானது வெளியீட்டில் 95% துல்லியத்தைக் கொடுத்தது" என்பது உங்கள் தரவில் 95% துல்லியத்தைக் கொடுக்கும் என்று அர்த்தமல்ல. வெளியீட்டில் துல்லியம் என்பது வெளியீட்டின் தரவு நிலைமைகளுக்கானது. உங்கள் சொந்த நிலைமைகளில் அளவிடாமல் எந்த மாதிரியின் செயல்திறனையும் கருத வேண்டாம்.

பொதுவான தவறுகள்

• கைமுறை சரிபார்ப்பு இல்லாமல் தானியங்கி எண்ணுதலை ஏற்றுக்கொள்கிறது. முறையான கீழ்/அதிக எண்ணிக்கையானது முழு முடிவையும் மாற்றுகிறது.
• கட்டுப்பாடுகளை மீறுதல். ஆட்டோஃப்ளோரசன்ஸ் மற்றும் பின்னணி சமிக்ஞை ஆகியவை கட்டுப்பாடு இல்லாமல் உண்மையான சமிக்ஞையாக தவறாகக் கருதப்படுகின்றன.
• உண்மையான மக்கள்தொகைக்கு கிளஸ்டர்களை தவறாகப் புரிந்துகொள்வது. UMAP/கிளஸ்டர்கள் என்பது காட்சி கருவியாகும்; டோக்கன் மூலம் சரிபார்க்கப்பட வேண்டும்.
• விளிம்பு விளைவைப் புறக்கணித்தல். ஆவியாதல் காரணமாக தட்டின் விளிம்பில் உள்ள கிணறுகள் மிதக்கக்கூடும்.
• நோயறிதலுக்கான தவறான பட வகைப்பாடு. அங்கீகரிக்கப்பட்ட, கண்மூடித்தனமான மற்றும் நிபுணத்துவம் வாய்ந்த மேற்பார்வை செயல்முறைகள் மூலம் மட்டுமே நோயறிதல் செய்யப்படுகிறது.

சுருக்கமாக

ஆய்வக கருவிகள் காட்சி மற்றும் உயர் பரிமாண தரவுகளின் வெள்ளத்துடன் வேலை செய்கின்றன; AI பிரித்தல், எண்ணுதல், கிளஸ்டரிங் மற்றும் இயல்பாக்கம் ஆகியவற்றை துரிதப்படுத்துகிறது, அகநிலைத்தன்மையைக் குறைக்கிறது. ஆனால் ஒவ்வொரு தானியங்கு வெளியீடும் ஒரு மாதிரியில் கைமுறையாக சரிபார்க்கப்படுகிறது, ஒவ்வொரு அளவீடும் பொருத்தமான கட்டுப்பாடுகளுடன் சரிபார்க்கப்படுகிறது, மேலும் ஒவ்வொரு கிளஸ்டரும் அறியப்பட்ட குறிப்பான்களுடன் உறுதிப்படுத்தப்படுகிறது. படம் அல்லது சிக்னல் என்பது உயிரியலுக்கான ப்ராக்ஸி ஆகும்; கட்டுப்பாடுகள் இல்லாமல், எந்த தானியங்கு பகுப்பாய்வும் நம்பகமானது அல்ல மற்றும் வகைப்பாடு மருத்துவ நோயறிதலை மாற்றாது.

விண்ணப்ப பணி

பொதுவில் கிடைக்கும் செல் பட தரவுத்தொகுப்பைக் கண்டறியவும் (எ.கா. செல்போஸ் மாதிரி தொகுப்பு). "வலுவான ப்ராம்ட்" டெம்ப்ளேட்டுடன் AI ஒரு பிரிவு மற்றும் எண்ணும் ஸ்கிரிப்டை எழுத வேண்டும். ஸ்கிரிப்டை இயக்கவும் (அல்லது அதன் தர்க்கத்தை ஆராயவும்) மற்றும் வெளியீட்டை ஒரு சில படங்களில் கண்ணுடன் ஒப்பிடவும்: மாடல் எங்கே தவறு செய்கிறது? பின்னர், ஒரு கட்டுப்பாட்டு சரிபார்ப்பு டெம்ப்ளேட்டைக் கொண்டு, உங்கள் சொந்த பரிசோதனைக்கு தேவையான அனைத்து கட்டுப்பாடுகளையும் பட்டியலிட்டு, எந்த கட்டுப்பாட்டை எழுதுங்கள், அது இல்லாமல் முடிவு செல்லாது.

சரிபார்ப்பு பட்டியல்

• [ ] ஒரு மாதிரியில் தானியங்கு எண்ணுதல்/வகைப்படுத்தலை கைமுறையாக சரிபார்த்தேன்.
• [ ] பரிசோதனையில் தேவையான அனைத்து கட்டுப்பாடுகளையும் (நேர்மறை, எதிர்மறை, வெற்று, வர்ணம் பூசப்படாத) வரையறுத்தேன்.
• [ ] நான் குறிப்பான்கள் மூலம் கிளஸ்டர்களை உறுதி செய்தேன், நான் நேரடியாக மக்கள் தொகையை கணக்கிடவில்லை.
• [ ] தட்டுத் தரவுகளில் விளிம்பு விளைவு மற்றும் வெளிப்புறக் கிணறுகளைச் சரிபார்த்தேன்.
• [ ] நான் மாதிரியின் முறையான பிழையை (கீழ்/அதிக எண்ணிக்கையில்) அளந்தேன் மற்றும் தேவைப்பட்டால் அதை சரிசெய்தேன்.
• [ ] நான் வகைப்படுத்தல் வெளியீட்டை உறுதிப்படுத்துவதற்கான அறிகுறியாக விளக்கினேன், நோயறிதல் அல்ல.