دانشمندان میگویند یک هوش مصنوعی جدید میتواند تغییرات سلولی را در لحظه ردیابی کند و نشان دهد که چگونه میتوان از فناوری یادگیری عمیق برای تجزیه و تحلیل تصویر سلولی استفاده کرد که یک رمز و راز کلیدی در زیستشناسی است.
به طور معمول، نمونههای سلولی به شکل مستقیم از طریق میکروسکوپ برای مشاهده و کشف هر گونه تغییر در سلولها مشاهده میشوند. آنها به دنبال تغییرات مورفولوژیکی در ساختارهای سلولی بودند. اما اکنون میتوانند از هوش مصنوعی برای انجام این مشاهدات استفاده کنند.
پژوهشگران اکنون با استفاده از علوم کامپیوتر و زیرمجموعهای از هوش مصنوعی به نام فناوری یادگیری عمیق میتوانند این روشها را برای تشخیص آنالیز سلولی ترکیب کنند.
تصاویر سلولی در تحقیقات زیست پزشکی و پیشرفتهای دارویی جدید مورد استفاده قرار گرفتهاند. این تصاویر، اطلاعات ارزشمندی را نشان میدهند که نحوه واکنش سلولها به محرکهای خارجی یا تغییرات محیطی و آشفتگیها یا اختلالات عمدی را رمزگذاری میکند.
پژوهشگران از الگوریتمهای مبتنی بر یادگیری عمیق برای خودکار کردن فرآیند تصویربرداری سلولی استفاده کردهاند که بیشتر به صورت دستی انجام میشود و فرآیندی طولانی است. هدف اصلی آنها تجزیه و تحلیل تصویر سلولی، بررسی اثرات فنوتیپی درمانهای مختلف و کشف روابط بین آنهاست.
این پژوهش سه وظیفه مهم در تجزیه و تحلیل تصویر سلولی را ارائه کرد که عبارت از تقسیم بندی، ردیابی و طبقهبندی است.
تقسیم بندی، اصل اساسی برای شناسایی، شمارش و تجزیه و تحلیل مورفولوژیکی تصاویر سلولی است. این وظیفه کلیدی برای شناسایی ویژگیهای مهم که به قسمتها یا بخشهای مختلف تقسیم میشوند، با استفاده از یادگیری عمیق انجام میشود.
ردیابی شامل نظارت بر تصاویر سلولی است. این کار معمولاً پس از تقسیم بندی اتفاق میافتد. پژوهشگران به دنبال ویژگیهای خاص سلولها از جمله هرگونه تغییر مورفولوژیکی هستند که میتواند وضعیت سلامت اعضای مورد مطالعه را نشان دهد. نمونههایی از ردیابی شامل پاسخ ایمنی، گسترش سلولهای سرطانی و بهبود زخم پس از آسیب است.
طبقه بندی نیز به عنوان یک تجزیه و تحلیل پایین دستی عمل میکند که شامل عملیاتی مانند آزمایش فرضیه و یک پیشبینی یا تجزیه و تحلیل توضیحی برای غربالگری فنوتیپی و نمایه سلولی است. این به پژوهشگران اجازه میدهد تا با تمایز بین سلولها، تصویری از عملکرد سلول ایجاد کنند.
این گروه پژوهشی، پیشرفت یادگیری عمیق اعمال شده برای هر یک از وظایف کلیدی را بررسی کرد. یک شبکه عصبی عمیق (DNN) برخلاف روش های بینش رایانهای سنتی میتواند به طور خودکار با یادگیری از یک مجموعه داده در مقیاس بزرگ، نمایشهای مؤثرتری نسبت به بازنماییهای دستساز تولید کند.
نویسندگان این پژوهش میگویند: در تصاویر سلولی، روشهای مبتنی بر یادگیری عمیق نیز نتایج امیدوارکنندهای را در تقسیم بندی و ردیابی سلول نشان میدهند.
پژوهشگران در مورد استفاده از یادگیری عمیق برای پردازش و تجزیه و تحلیل تصویر سلولی به چند چالش اشاره میکنند. آنها میگویند: یادگیری عمیق، یک توانایی باورنکردنی را برای انجام تجزیه و تحلیل تصویر سلولی نشان داده است. با این حال، شکاف عملکرد قابل توجهی بین الگوریتمهای یادگیری عمیق در پژوهشهای دانشگاهی و کاربردهای عملی وجود دارد. بزرگترین چالش، مربوط به دادهها، به ویژه کیفیت آنها، کمیت آنها و قابلیت اطمینان دادههاست.
اولین عامل محدودکننده، هزینه جمعآوری مجموعه دادهها با یادگیری عمیق است. پژوهشگران میگویند تهیه یک نسخه در مقیاس بزرگ از مجموعه دادهها دشوار است، زیرا کارشناسان آگاه باید به دقت هر تصویر را برچسب گذاری کنند.
چالش بعدی در استفاده از یادگیری عمیق برای ارزیابی تجزیه و تحلیل سلولی با برچسبهای نامتوازن است، به این معنی که حاشیه نویسی مجموعه دادههای تصویر سلولی به شدت به مهارتهای حرفهای بستگی دارد. این میتواند منجر به تعادل نداشتن در برچسبها یا ترجیح در تصاویر برچسبگذاری شده شود که باعث میشود تعداد تصاویر برچسبگذاری شده برای طبقه های مختلف نامتعادل یا نامتوازن شود.
این مطالعه همچنین به اختلال یا نویز برچسب اشاره میکند که در آن خطای انسانی باعث میشود تصاویر آموزشی سلولها به اشتباه تعبیر شوند.
پژوهشگران میخواهند در آینده از هوش مصنوعی به ویژه یادگیری عمیق، برای کشف مفاهیم پیشرفته و اصول اساسی در پشت صفات و ویژگیهای سلولها استفاده کنند. پژوهشگران در این مطالعه اظهار داشتند: چنین برنامههای موفقی توانایی DNN در استخراج ویژگیهای سطح بالا را نشان میدهند و توانایی بالقوه استفاده از یادگیری عمیق برای آشکار کردن قوانین پیچیدهتر حیات در پشت فنوتیپهای سلولی را روشن میکنند.
این گروه پژوهشی امیدوار است با استفاده از هوش مصنوعی در ارزیابیهای خود از تصویربرداری سلولی، تجزیه و تحلیل تصویر سلولی را بهبود ببخشد.
نتایج این پژوهش در مجله Intelligent Computing منتشر شده است.