Dirbtinio intelekto modelis kuria tikroviškus pavienių ląstelių vaizdus

Stebint atskiras ląsteles per mikroskopą galima atskleisti daugybę svarbių ląstelių biologinių reiškinių, kurie dažnai turi įtakos žmogaus ligoms, tačiau atskirų ląstelių atskyrimo viena nuo kitos ir jų fono procesas užima labai daug laiko – tai yra užduotis, kuriai puikiai tinka dirbtinio intelekto pagalba.

Dirbtinio intelekto modeliai išmoksta atlikti tokias užduotis naudodami žmonių anotuotų duomenų rinkinį, tačiau ląstelių atskyrimo nuo jų fono procesas, vadinamas „pavienių ląstelių segmentavimu“, užima daug laiko ir reikalauja daug pastangų. Todėl anotuotų duomenų, kuriuos galima naudoti dirbtinio intelekto mokymo rinkiniuose, kiekis yra ribotas.

Santa Kruso universiteto mokslininkai sukūrė metodą, kaip išspręsti šią problemą, sukurdami mikroskopinių vaizdų generavimo dirbtinio intelekto modelį, kad būtų sukurti tikroviški pavienių ląstelių vaizdai, kurie vėliau naudojami kaip „sintetiniai duomenys“ dirbtinio intelekto modeliui apmokyti, kad jis galėtų geriau atlikti pavienių ląstelių segmentavimą.

Naujoji programinė įranga „cGAN-Seg“

Naujoji programinė įranga aprašyta žurnale „iScience“ paskelbtame straipsnyje. Projektui vadovavo Biomolekulinės inžinerijos katedros docentas Ali Shariati ir jo magistrantas Abolfazlas Zargari. Modelis, pavadintas „cGAN-Seg“, yra laisvai prieinamas „GitHub“ svetainėje.

„Iš mūsų modelio gautus vaizdus galima naudoti segmentavimo modeliams mokyti“, – sakė Shariati. „Tam tikra prasme mes atliekame mikroskopiją be mikroskopo, nes galime sukurti vaizdus, kurie yra labai panašūs į tikrus ląstelių vaizdus, atsižvelgiant į morfologines atskiros ląstelės detales. Gražiausia tai, kad, išėjus iš modelio, jie jau būna anotuoti ir paženklinti. Vaizdai rodo daugybę panašumų į tikrus vaizdus, o tai leidžia mums generuoti naujus scenarijus, kurių mūsų modelis mokymo metu nematė.“

Kuo gali pasitarnauti atskirų ląstelių vaizdai?

Atskirų ląstelių vaizdai, matomi per mikroskopą, gali padėti mokslininkams sužinoti apie ląstelių elgseną ir dinamiką laikui bėgant, pagerinti ligų nustatymą ir rasti naujų vaistų.

Tokios subląstelinės detalės kaip tekstūra gali padėti mokslininkams atsakyti į svarbius klausimus, pavyzdžiui, ar ląstelė yra vėžinė, ar ne.

Tačiau rankiniu būdu rasti ir pažymėti ląstelių ribas nuo jų fono yra labai sudėtinga, ypač audinių mėginiuose, kai paveikslėlyje yra daug ląstelių. Vos 100 mikroskopinių vaizdų rankiniu būdu segmentuoti ląsteles tyrėjams gali prireikti kelių dienų. 

Gilusis mokymasis gali pagreitinti šį procesą, tačiau modeliams apmokyti reikalingas pradinis duomenų rinkinys su anotuotais vaizdais – tiksliam giliojo mokymosi modeliui apmokyti reikia bent tūkstančių vaizdų.

Net jei tyrėjai gali rasti ir anotuoti 1000 vaizdų, šiuose vaizduose gali nebūti požymių įvairovės, kuri pasireiškia skirtingomis eksperimentinėmis sąlygomis.

„Norite parodyti, kad jūsų gilaus mokymosi modelis veikia skirtinguose mėginiuose su skirtingais ląstelių tipais ir skirtingomis vaizdų savybėmis“, – sakė Zargari. „Pavyzdžiui, jei savo modelį apmokysite naudodami aukštos kokybės vaizdus, jis negalės segmentuoti prastos kokybės ląstelių vaizdų. Tokių gerų duomenų rinkinių mikroskopijos srityje retai galime rasti.“

Problemą išsprendė generatyvinio dirbtinio intelekto modelis

Siekdami išspręsti šią problemą, mokslininkai sukūrė vaizdų generatyvinį dirbtinio intelekto modelį, kuris paima ribotą anotuotų, paženklintų ląstelių vaizdų rinkinį ir sukuria daugiau, įvesdamas sudėtingesnes ir įvairesnes subląstelines funkcijas ir struktūras, kad būtų sukurtas įvairus „sintetinių“ vaizdų rinkinys.

Pažymėtina, kad jie gali generuoti anotuotus vaizdus su dideliu ląstelių tankiu, kuriuos ypač sunku anotuoti ranka ir kurie yra ypač svarbūs tiriant audinius.

Šis metodas veikia apdorojant ir generuojant įvairių tipų ląstelių vaizdus, taip pat skirtingų vaizdavimo būdų, pavyzdžiui, padarytus naudojant fluorescenciją ar histologinį dažymą, vaizdus.

Zargari, vadovavęs generatyvinio modelio kūrimui, tikroviškiems vaizdams kurti pritaikė plačiai naudojamą dirbtinio intelekto algoritmą, vadinamą „cikliniu generatyviniu priešpriešos tinklu“.

Generatyvinis modelis patobulintas vadinamosiomis „papildymo funkcijomis“ ir „stilių įvedančiu tinklu“, kuris padeda generatoriui sukurti daugybę aukštos kokybės sintetinių vaizdų, rodančių įvairias galimybes, kaip galėtų atrodyti ląstelės.

Tyrėjų žiniomis, tai pirmas kartas, kai stiliaus įvedimo metodai buvo panaudoti šiame kontekste.

Tada šis generatoriumi sukurtas įvairių sintetinių vaizdų rinkinys naudojamas modeliui apmokyti, kad būtų galima tiksliai atlikti ląstelių segmentavimą naujuose, eksperimentų metu padarytuose tikruose vaizduose.

„Naudodami ribotą duomenų rinkinį galime išmokyti gerą generatyvinį modelį. Naudodamiesi šiuo generatyviniu modeliu galime sukurti įvairesnį ir didesnį anotuotų sintetinių vaizdų rinkinį. Naudodamiesi sukurtais sintetiniais vaizdais galime išmokyti gerą segmentavimo modelį – tokia yra pagrindinė idėja“, – sakė Zagari.

Pasiekti geresni rezultatai

Tyrėjai palygino savo modelio, naudojančio sintetinius mokymo duomenis, rezultatus su tradiciškesniais metodais, taikomais mokant dirbtinį intelektą atlikti įvairių tipų ląstelių segmentavimą.

Jie nustatė, kad jų modelis leidžia žymiai geriau segmentuoti, palyginti su modeliais, išmokytais naudojant įprastus, ribotus mokymo duomenis. Tai tyrėjams patvirtina, kad segmentavimo modelio mokymo metu pateikus įvairesnį duomenų rinkinį, pagerėja rezultatai.

Naudodamiesi šiomis patobulintomis segmentavimo galimybėmis, mokslininkai galės geriau aptikti ląsteles ir ištirti atskirų ląstelių, ypač kamieninių, kintamumą.

Ateityje tyrėjai tikisi, kad jų sukurta technologija bus naudojama ne tik nejudantiems vaizdams, bet ir vaizdo įrašams, kurie padės nustatyti, kokie veiksniai daro įtaką ląstelės likimui ankstyvuoju jos gyvavimo laikotarpiu, ir numatyti jos ateitį.

„Mes generuojame sintetinius vaizdus, kurie taip pat gali būti paversti į laiko juostą, kurioje galime generuoti nematytą ląstelių ateitį“, – sakė Shariati. „Tokiu būdu norime išsiaiškinti, ar galime numatyti būsimas ląstelės būsenas, pavyzdžiui, ar ląstelė augs, migruos, diferencijuosis ar dalysis.“