כלי AI יוצר תמונות 'סינטטיות' של תאים לניתוח מיקרוסקופי משופר

פרסומת
תכנון תשתיות רפואיות


התבוננות בתאים בודדים באמצעות מיקרוסקופים יכולה לחשוף מגוון של תופעות ביולוגיות חשובות של תאים הממלאות לעתים קרובות תפקיד במחלות אנושיות, אך תהליך ההבחנה בין תאים בודדים זה מזה והרקע שלהם גוזל זמן רב – ומשימה שמתאימה היטב. לסיוע בינה מלאכותית.

פרסומת

מודלים של בינה מלאכותית לומדים כיצד לבצע משימות כאלה על ידי שימוש בסט של נתונים המובאים על ידי בני אדם, אך תהליך ההבחנה בין תאים מהרקע שלהם, הנקרא "פילוח תא בודד", הוא זמן רב ומייגע כאחד. כתוצאה מכך, יש כמות מוגבלת של נתונים מוערים לשימוש בערכות אימון בינה מלאכותית. חוקרי UC Santa Cruz פיתחו שיטה לפתור זאת על ידי בניית מודל AI ליצירת תמונה במיקרוסקופיה ליצירת תמונות ריאליסטיות של תאים בודדים, אשר משמשים לאחר מכן כ"נתונים סינתטיים" כדי לאמן מודל AI לביצוע טוב יותר פילוח תא בודד.

התוכנה החדשה מתוארת במאמר חדש שפורסם בכתב העת iScience. את הפרויקט הובילו פרופסור עוזר להנדסה ביו-מולקולרית עלי שריאטי ותלמידו לתואר שני אבולפזל זרגארי. הדגם, הנקרא cGAN-Seg, זמין בחינם ב- GitHub.

"התמונות שיוצאות מהמודל שלנו מוכנות לשימוש לאימון מודלים של פילוח", אמר שריאטי. "במובן מסוים אנחנו עושים מיקרוסקופ ללא מיקרוסקופ, בכך שאנחנו מסוגלים ליצור תמונות שקרובות מאוד לתמונות אמיתיות של תאים מבחינת הפרטים המורפולוגיים של התא הבודד. היופי בזה הוא שכשהן יוצאות החוצה. של המודל, הן כבר מסומנות ומתויגות התמונות מציגות המון קווי דמיון לתמונות אמיתיות, מה שמאפשר לנו ליצור תרחישים חדשים שלא נראו על ידי המודל שלנו במהלך האימון.

תמונות של תאים בודדים הנראים דרך מיקרוסקופ יכולות לעזור למדענים ללמוד על התנהגות ודינמיקה של תאים לאורך זמן, לשפר את זיהוי המחלות ולמצוא תרופות חדשות. פרטים תת-תאיים כמו מרקם יכולים לעזור לחוקרים לענות על שאלות חשובות, כמו אם תא הוא סרטני או לא.

מציאת וסימון ידני של גבולות תאים מהרקע שלהם קשה ביותר, עם זאת, במיוחד בדגימות רקמה שבהן יש תאים רבים בתמונה. זה יכול לקחת לחוקרים מספר ימים לבצע פילוח תאים באופן ידני על רק 100 תמונות מיקרוסקופיה.

למידה עמוקה יכולה להאיץ את התהליך הזה, אבל יש צורך בסט נתונים ראשוני של תמונות מוערות כדי להכשיר את המודלים – יש צורך לפחות באלפי תמונות כבסיס לאימון מודל למידה עמוקה מדויק. גם אם החוקרים יוכלו למצוא ולציין 1,000 תמונות, ייתכן שהתמונות האלה לא יכילו את הווריאציה של התכונות המופיעות בתנאי ניסוי שונים.

"אתה רוצה להראות שמודל הלמידה העמוק שלך עובד על פני דוגמאות שונות עם סוגי תאים שונים ואיכויות תמונה שונות", אמר זרגרי. "לדוגמה, אם אתה מאמן את המודל שלך עם תמונות באיכות גבוהה, הוא לא יצליח לפלח את תמונות התא באיכות נמוכה. לעתים נדירות נוכל למצוא סט נתונים כל כך טוב בתחום המיקרוסקופיה".

כדי לטפל בבעיה זו, החוקרים יצרו מודל בינה מלאכותית מחוללת תמונה לתמונה שלוקח קבוצה מוגבלת של תמונות תאים עם הערות ותיוג ויוצר יותר, תוך הצגת תכונות ומבנים תת-תאיים מורכבים ומגוונים יותר כדי ליצור קבוצה מגוונת של "סינטטיים" תמונות. יש לציין שהם יכולים ליצור תמונות מוערות עם צפיפות גבוהה של תאים, שקשה במיוחד להעיר ביד ורלוונטיות במיוחד לחקר רקמות. טכניקה זו פועלת לעיבוד ויצירת תמונות של סוגי תאים שונים כמו גם שיטות הדמיה שונות, כגון אלו שנלקחו באמצעות פלואורסצנטי או צביעה היסטולוגית.

Zargari, שהוביל את פיתוח המודל הגנרטיבי, השתמש באלגוריתם AI נפוץ שנקרא "רשת יריב יצירתית במחזוריות" ליצירת תמונות ריאליסטיות. המודל הגנרטיבי משופר עם מה שנקרא "פונקציות הגדלה" ו"רשת הזרקה בסגנון", המסייעת למחולל ליצור מגוון רחב של תמונות סינתטיות באיכות גבוהה המציגות אפשרויות שונות כיצד התאים יכולים להיראות. למיטב ידיעת החוקרים, זו הפעם הראשונה שבה נעשה שימוש בטכניקות הזרקת סגנון בהקשר זה.

לאחר מכן, קבוצה מגוונת זו של תמונות סינתטיות שנוצרו על ידי המחולל משמשות לאימון מודל לביצוע מדויק של פילוח תאים על תמונות חדשות ואמיתיות שצולמו במהלך ניסויים.

"באמצעות מערך נתונים מצומצם, נוכל להכשיר מודל מחולל טוב. באמצעות המודל הגנרטיבי הזה, אנו מסוגלים ליצור סט מגוון וגדול יותר של תמונות סינתטיות מוערות. באמצעות התמונות הסינתטיות שנוצרו נוכל לאמן מודל פילוח טוב – – זה הרעיון המרכזי", אמר זגארי.

החוקרים השוו את תוצאות המודל שלהם תוך שימוש בנתוני אימון סינתטיים לשיטות מסורתיות יותר לאימון AI לביצוע פילוח תאים על פני סוגים שונים של תאים. הם גילו שהמודל שלהם מייצר פילוח משופר משמעותית בהשוואה למודלים שאומנו עם נתוני אימון קונבנציונליים מוגבלים. זה מאשר לחוקרים שמתן מערך נתונים מגוון יותר במהלך אימון מודל הפילוח משפר את הביצועים.

באמצעות יכולות הפילוח המשופרות הללו, החוקרים יוכלו לזהות טוב יותר תאים וללמוד שונות בין תאים בודדים, במיוחד בין תאי גזע. בעתיד, החוקרים מקווים להשתמש בטכנולוגיה שפיתחו כדי לעבור מעבר לתמונות סטילס כדי ליצור סרטונים, שיוכלו לעזור להם לאתר אילו גורמים משפיעים על גורלו של תא בשלב מוקדם בחייו ולחזות את עתידם.

"אנחנו מייצרים תמונות סינתטיות שיכולות להפוך גם לסרט זמן lapse, שבו נוכל ליצור את העתיד הבלתי נראה של התאים", אמר שריאטי. "עם זה, אנחנו רוצים לראות אם אנחנו מסוגלים לחזות את המצבים העתידיים של התא, כמו אם התא הולך לגדול, לנדוד, להתמיין או להתחלק."



קישור לכתבת המקור – 2024-04-23 00:08:15

Facebook
Twitter
LinkedIn
Telegram
WhatsApp
Email
פרסומת
MAGNEZIX מגנזיקס

עוד מתחומי האתר