Lợi nhuận:
- Khả năng sử dụng trí tuệ nhân tạo để phân đoạn, đếm và phân loại hình ảnh tế bào cũng như xác thực thủ công đầu ra tự động trong mẫu
- Khả năng tách tạo tác kỹ thuật khỏi tín hiệu thực bằng cách xác thực từng phép đo bằng các điều khiển thích hợp (dương, âm, trống, không nhuộm màu)
- Khả năng xác nhận các cụm tế bào học dòng chảy với các điểm đánh dấu đã biết và phân loại hình ảnh riêng biệt khỏi chẩn đoán lâm sàng
Phòng thí nghiệm công nghệ sinh học là một nhà máy dữ liệu: kính hiển vi tạo ra hàng nghìn hình ảnh tế bào mỗi ngày, máy đếm tế bào dòng chảy tạo ra hàng chục nghìn tế bào mỗi giây, máy đọc đĩa tạo ra hàng trăm phép đo trong một vòng. Hầu hết dữ liệu này là trực quan hoặc có chiều cao và việc phân tích thủ công vừa chậm vừa cồng kềnh. AI đặc biệt mạnh về phân tích hình ảnh và phân loại tự động; nhưng bạn là người biết mình đang đo lường điều gì, biện pháp kiểm soát nào là hợp lệ và kết quả đó là kỹ thuật hay sinh học.
Trong phần này, bạn sẽ tìm hiểu cách sử dụng AI một cách an toàn để phân đoạn hình ảnh tế bào, đếm và phân loại, phân tích dữ liệu tế bào học dòng chảy và xử lý dữ liệu tấm.
Phân tích hình ảnh: phân đoạn và đếm
Bước đầu tiên của phân tích bằng kính hiển vi thường là "có bao nhiêu tế bào và ở đâu?" là câu hỏi. Các mô hình phân đoạn (các công cụ deep learning như Cellpose, StarDist) tự động phân tách và đếm ô; Điều này làm giảm việc đếm tay hàng tuần xuống còn vài phút và giảm tính chủ quan. Nhưng độ chính xác của mô hình phụ thuộc vào mức độ giống nhau với hình ảnh mà nó được huấn luyện: một màu khác, độ phóng đại khác hoặc các ô tập trung dày đặc có thể đánh lừa mô hình. Đó là lý do tại sao mỗi lần đếm tự động đều được xác minh thủ công trên một mẫu.
Mẹo: Trước khi chấp nhận số lượng ô tự động, hãy so sánh kết quả đầu ra của mô hình bằng mắt trên 5-10 hình ảnh ngẫu nhiên. Mô hình đang đếm thiếu (đếm các ô kết hợp thành một ô) hay đếm quá mức (tính nhiễu dưới dạng ô)? Biết lỗi hệ thống này sẽ thay đổi cách giải thích toàn bộ tập dữ liệu của bạn.
Phép đo nói lên điều gì và không nói lên điều gì?
Hình ảnh hoặc tín hiệu huỳnh quang không trực tiếp mang tính sinh học; Đó là phép đo proxy (proxy - một dấu hiệu gián tiếp về những gì bạn thực sự quan tâm). Ví dụ, thuốc nhuộm huỳnh quang là chất thay thế cho “tế bào sống”, nhưng hiệu quả nhuộm màu, khả năng tự phát huỳnh quang hoặc cài đặt thiết bị có thể làm méo tín hiệu. AI có thể phân loại tín hiệu, nhưng câu trả lời cho câu hỏi “tín hiệu này có thực sự chỉ ra sự sống?” dựa vào các biện pháp kiểm soát (kiểm soát - các mẫu tham chiếu kiểm tra tính hợp lệ của thử nghiệm: dương tính, âm tính, trống). Không có biện pháp kiểm soát thì không có phân tích tự động nào đáng tin cậy.
Thận trọng: AI có thể phân loại một hình ảnh là “ung thư/khỏe mạnh” hoặc một tế bào là “sống/chết”; nhưng nếu không có các biện pháp kiểm tra thích hợp, đánh giá mù quáng và xác nhận lâm sàng thì đây không phải là chẩn đoán. Các quyết định chẩn đoán chỉ được đưa ra với các hệ thống được quản lý, xác nhận và dưới sự giám sát của chuyên gia.
Dữ liệu chiều cao: tế bào học dòng chảy
Phương pháp tế bào học dòng chảy hiện đại có thể đo được hơn 20 thông số cho mỗi tế bào; số chiều này quá cao để có thể phân tích bằng cách “gating” thủ công - chọn thủ công các quần thể ô quan tâm trên biểu đồ. Tính năng giảm kích thước dựa trên AI (UMAP, t-SNE) và phân cụm tự động giúp tăng tốc quá trình trực quan hóa và phân tách các quần thể. Nhưng những phương pháp này tạo điều kiện thuận lợi cho việc diễn giải bằng hình ảnh; Bạn xác minh bằng các điểm đánh dấu đã biết xem các cụm kết quả là quần thể sinh học thực hay đồ tạo tác.
ba trường hợp nhỏ
Trường hợp 1 - Đếm tăng tốc và tính chủ quan giảm. Trong một nghiên cứu nuôi cấy tế bào thần kinh, 2.400 hình ảnh kính hiển vi sẽ được đếm bằng tay. Việc đếm tự động dựa trên Cellpose đã giảm thời gian làm việc xuống còn 40 phút so với 3 ngày và loại bỏ sự chênh lệch 15% giữa các máy chủ giữa các người quan sát. Nhóm đã xác minh thủ công 50 hình ảnh, nhận thấy rằng mô hình đã tính thiếu 6% các khu vực đông đúc và áp dụng hệ số hiệu chỉnh.
Trường hợp 2 - Thiếu kiểm soát. Một sinh viên đã được AI phân loại hình ảnh huỳnh quang là “dương/âm” và nhận thấy độ dương cao. Điều tra viên cấp cao hỏi: đối chứng tiêu cực ở đâu? Bộ điều khiển không nhuộm màu có cùng tín hiệu - tự phát huỳnh quang. Mức độ tích cực thực tế gần như bằng không; kiểm soát đã ngăn chặn một kết quả không chính xác.
Trường hợp 3 - Tạo tác phân cụm. Trong một dự án miễn dịch học, việc phân cụm tự động cho thấy một quần thể tế bào “mới”. Khi kiểm tra bằng bút đánh dấu, người ta thấy rằng đây là một hiện vật nhuộm màu chứ không phải quần thể thực sự. Khám phá trực quan lấy cảm hứng nhưng xác minh sinh học đã quyết định.
Bốn mẫu có thể sao chép
1) Quy trình phân tích hình ảnh:
Vai trò của bạn: chuyên gia phân tích hình ảnh. Đề xuất quy trình làm việc Python để đếm tế bào trong hình ảnh kính hiển vi huỳnh quang: tiền xử lý, phân đoạn (Cellpose/StarDist), đếm, bảng kết quả. Giải thích các lỗi mà mô hình có thể mắc phải ở các vùng dày đặc/cụm và cách xác minh chúng theo cách thủ công.
2) Kiểm tra kiểm soát:
Tôi đang thiết kế một xét nghiệm khả năng tồn tại dựa trên huỳnh quang. Liệt kê tất cả các mẫu chứng cần thiết: dương tính, âm tính, trống, không nhuộm màu (tự phát huỳnh quang). Giải thích mỗi lần kiểm tra nên là gì và kiểm tra nào sẽ không mong đợi và kết quả sẽ không hợp lệ.
3) Kế hoạch phân tích tế bào học dòng chảy:
Vai trò của bạn: nhà phân tích tế bào học dòng chảy. Tôi có một tập dữ liệu với 18 tham số. Mô tả quy trình giảm kích thước (UMAP) và phân cụm tự động. Hãy cho tôi biết từng bước bằng những điểm đánh dấu nào để tôi có thể xác minh xem các cụm kết quả là quần thể thực hay đồ tạo tác.
4) Chuẩn hóa dữ liệu biển số xe:
Có hiệu suất hấp thụ tấm 96 giếng (giếng trắng, giếng tiêu chuẩn, mẫu). Viết cho tôi: (1) loại bỏ khoảng trống, (2) khớp đường cong tiêu chuẩn, (3) kiểm soát hiệu ứng cạnh, (4) các bước phát hiện giếng ngoại lệ trong Python. Giải thích lý do cho từng bước.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Phân tích những hình ảnh ô này và cho tôi biết có bao nhiêu ô.
Mô hình đưa ra một con số không được kiểm soát và không thể kiểm chứng được; che giấu lỗi hệ thống.
Lời nhắc mạnh mẽ:
Vai trò của bạn: chuyên gia phân tích hình ảnh. Viết tập lệnh Python thực hiện phân đoạn và đếm hạt nhân bằng Cellpose cho các hình ảnh hạt nhân được nhuộm DAPI đính kèm. Tập lệnh cũng báo cáo phân bố kích thước đối tượng được phát hiện cho mỗi hình ảnh (quá nhỏ = nhiễu, quá lớn = nghi ngờ có các ô liên kết). Thêm bước xác minh: Đánh dấu 10 ảnh ngẫu nhiên để mình kiểm tra thủ công.
Sự khác biệt: loại sơn lưới, phương tiện, kiểm soát tiếng ồn/nối và bước xác minh thủ công bắt buộc.
Các loại dữ liệu phòng thí nghiệm và vai trò AI
Kiểu dữ liệu
thiết bị
Đóng góp của AI
Xác minh bắt buộc
kính hiển vi
kính hiển vi
Phân đoạn, đếm
Kiểm soát mẫu thủ công
tế bào học dòng chảy
máy đếm tế bào
Phân cụm, trực quan hóa
Xác nhận mã thông báo
dữ liệu biển số xe
đầu đọc đĩa
Chuẩn hóa, đường cong
giếng điều khiển
chuỗi thời gian
xem trực tiếp
Theo dõi
kiểm soát quỹ đạo
Phân loại
Linh tinh
Dự thảo ghi nhãn
đánh giá mù quáng
Độ trôi miền của mô hình: bên ngoài nơi nó được đào tạo
Điểm yếu ngấm ngầm nhất của các mô hình hình ảnh và tín hiệu là sự dịch chuyển miền - lỗi thầm lặng của mô hình khi gặp phải dữ liệu được tạo trong các điều kiện khác với dữ liệu mà nó được huấn luyện. Nếu một mô hình đếm tế bào được huấn luyện trên một kính hiển vi cụ thể, với một vết bẩn cụ thể, ở độ phóng đại cụ thể; Hình ảnh được chụp trên một thiết bị khác với loại mực khác có thể cho kết quả sai ngoài mong đợi. Tệ hơn nữa, mô hình không cho bạn biết điều này — nó tạo ra kết quả đầu ra chắc chắn nhưng không chính xác. Do đó, trước khi áp dụng một mô hình có sẵn cho dữ liệu của riêng bạn, điều cần thiết là phải đo lường hiệu suất của nó dựa trên bộ xác thực các điều kiện của riêng bạn. Nếu mô hình không khái quát hóa tốt, bạn có thể tinh chỉnh nó bằng dữ liệu của riêng bạn hoặc hiệu chỉnh các thông số của nó dựa trên hình ảnh của chính bạn.
Lưu ý: "Mô hình này cho độ chính xác 95% khi xuất bản" không có nghĩa là nó sẽ mang lại độ chính xác 95% cho dữ liệu của bạn. Độ chính xác trong xuất bản là dành cho các điều kiện dữ liệu của ấn phẩm. Đừng giả định hiệu suất của bất kỳ mô hình nào mà không đo lường nó trong điều kiện của riêng bạn.
Những lỗi thường gặp
- Chấp nhận đếm tự động mà không cần xác minh thủ công. Việc đếm dưới/trên một cách có hệ thống sẽ thay đổi toàn bộ kết quả.
- Bỏ qua các điều khiển. Tín hiệu tự phát huỳnh quang và nền bị nhầm lẫn với tín hiệu thực nếu không được kiểm soát.
- Nhầm cụm với quần thể thực. UMAP/cụm là công cụ trực quan; phải được xác minh bằng mã thông báo.
- Bỏ qua hiệu ứng cạnh. Giếng ở rìa tấm có thể trôi dạt do bay hơi.
- Phân loại nhầm hình ảnh để chẩn đoán. Chẩn đoán chỉ được thực hiện thông qua các quy trình đã được phê duyệt, làm mù và giám sát một cách chuyên nghiệp.
Tóm lại
Các thiết bị trong phòng thí nghiệm hoạt động với vô số dữ liệu trực quan và nhiều chiều; AI tăng tốc phân đoạn, đếm, phân cụm và chuẩn hóa, giảm tính chủ quan. Tuy nhiên, mọi đầu ra tự động đều được xác thực theo cách thủ công trên một mẫu, mọi phép đo đều được xác thực bằng các biện pháp kiểm soát phù hợp và mọi cụm đều được xác nhận bằng các điểm đánh dấu đã biết. Hình ảnh hoặc tín hiệu là đại diện cho sinh học; Nếu không có biện pháp kiểm soát thì không có phân tích tự động nào đáng tin cậy và việc phân loại không thay thế được chẩn đoán lâm sàng.
Nhiệm vụ ứng dụng
Tìm tập dữ liệu hình ảnh ô có sẵn công khai (ví dụ: bộ mẫu Cellpose). Yêu cầu AI viết tập lệnh phân đoạn và đếm bằng mẫu "dấu nhắc mạnh". Chạy tập lệnh (hoặc kiểm tra logic của nó) và so sánh kết quả đầu ra với mắt trong một vài hình ảnh: mô hình đang mắc lỗi ở đâu? Sau đó, với mẫu kiểm tra chất kiểm soát, hãy liệt kê tất cả các chất kiểm soát cần thiết cho thử nghiệm của riêng bạn và viết ra chất kiểm soát nào, nếu không có chất kiểm soát nào thì kết quả sẽ không hợp lệ.
danh sách kiểm tra
- [ ] Tôi đã xác thực thủ công tính năng đếm/phân loại tự động trên một mẫu.
- [ ] Tôi đã xác định tất cả các điều khiển cần thiết (dương, âm, trống, không sơn) trong thử nghiệm.
- [ ] Tôi đã xác nhận các cụm bằng điểm đánh dấu, tôi không đếm trực tiếp quần thể.
- [ ] Tôi đã kiểm tra hiệu ứng cạnh và các giếng ngoại lệ trong dữ liệu tấm.
- [ ] Tôi đã đo sai số hệ thống (đếm thiếu/thừa) của mô hình và sửa nó nếu cần.
- [ ] Tôi hiểu kết quả phân loại là một dấu hiệu cần được xác nhận chứ không phải là chẩn đoán.