ביצוע בדיקת מיקרוגרעין באמצעות ציטומטריית זרימת הדמיה מתגבר על מגבלות רבות של שיטות מסורתיות, כולל תפוקה נמוכה, שונות ניקוד וחוסר אישור חזותי של אירועים. היתרון העיקרי של טכניקה זו הוא כי כל אירועי המפתח ניתן לרכוש באמצעות ציטומטריה זרימת הדמיה ולנתח באמצעות בינה מלאכותית. לשיטה זו יש פוטנציאל לשמש בסינון בקנה מידה גדול של כימיקלים ותרכובות אחרות כדי לבדוק רעילות בתפוקה גבוהה יותר מזו הקיימת כיום.
כאשר בונים מודל AI חדש, האתגר העיקרי הוא להשיג מספיק תמונות של תאים עם מיקרו-גרעינים, ולכן חשוב להשתמש באלגוריתמים לתיוג תמונות. כדי להתחיל, הפעל את תוכנת הבינה המלאכותית או הבינה המלאכותית. תחת סוג ניסוי, לחץ על לחצן האפשרויות לצד רכבת כדי להתחיל ניסוי אימון לבניית רשת עצבית קונבולוציונית או מודל CNN, ולחץ על הבא.
על שמות המחלקות, לחץ על הוסף. בחלון המוקפץ, הקלד Mononucleated, ולחץ על אישור כדי להוסיף את המחלקה mononucleated לרשימת שמות המחלקות. חזור על תהליך זה כדי להוסיף את שמות המחלקות האחרים, כגון Mononucleated עם MN, Binucleated, Binucleated עם MN, Polynucleated ומורפולוגיה לא סדירה.
תחת Select Files, לחץ על Add Files, ואתר את הקבצים הרצויים שיתווספו לתוכנת AI, כדי לבנות את נתוני האמת הבסיסיים. לאחר מכן, במסך בחירת אוכלוסיית בסיס, אתר את האוכלוסייה הלא-אפופטוטית מהיררכיית האוכלוסין. לאחר מכן לחץ לחיצה ימנית על האוכלוסייה הלא אפופטוטית, בחר בחר את כל האוכלוסיות התואמות, ולחץ על הבא.
כדי להקצות אוכלוסיית אמת מתויגת של תאים חד-גרעיניים עם מיקרו-גרעין, לחץ על המחלקה Mononucleated with MN תחת Model Classes משמאל, ולאחר מכן לחץ על אוכלוסיית האמת המתויגת המתאימה מימין. לאחר הקצאת כל אוכלוסיות האמת המתאימות, לחץ על הבא. במסך Select Channels, ודא שנבחרו הערוצים המתאימים לניסוי.
כאן, בחר שדה בהיר או BF כערוץ הראשון, עדרי DNA כערוץ שבע ולאחר מכן לחץ על הבא. לבסוף, במסך האישור, לחץ על צור ניסוי. לחץ על תיוג כדי להפעיל את ממשק כלי התיוג.
לאחר מכן לחץ על כלי הזום כדי לחתוך את התמונות לצפייה קלה יותר. ולחץ על פס המחוון כדי להתאים את גודל התמונה ולהחליט על מספר התמונות שיוצגו בגלריה. לחץ על הגדרת התצוגה אפשרות ובחר min-max, המספקת את תמונת הניגודיות הטובה ביותר לזיהוי כל אירועי המפתח.
לאחר מכן, לחץ על תצוגת גלריית הגדרות כדי לשנות את צבע תמונת ה- DNA לצהוב או לבן, מה שישפר את ההדמיה של אובייקטים קטנים. לחץ על אשכול כדי להפעיל את האלגוריתם כדי לקבץ תמונות עם מורפולוגיה דומה יחד. לאחר השלמת קיבוץ האשכולות, לחץ על האשכולות הבודדים והתחל להקצות תמונות למחלקות מודל מתאימות.
לאחר הקצאת לפחות 25 אובייקטים לכל מחלקת מודל, אלגוריתם החיזוי הופך לזמין. לחץ על Predict. לאחר שאלגוריתם החיזוי סיים לפעול, הוסף אובייקטים מהמחלקות החזויות למחלקות המודל המתאימות.
לאחר הקצאת לפחות 100 אובייקטים לכל מחלקת דגם, לחץ על הכרטיסייה אימון בחלק העליון של המסך ולאחר מכן לחץ על כפתור הרכבת. לאחר השלמת אימון המודל, לחץ על הצג תוצאות כדי להעריך את דיוק המודל. לאחר השלמת אימון המודל, לחץ על לחצן התפריט כדי להגדיר ניסוי חדש.
תחת סוג ניסוי, לחץ על לחצן האפשרויות לצד סיווג כדי להתחיל ניסוי סיווג ולחץ על הבא. לחץ על המודל שישמש לסיווג, ולאחר מכן לחץ על הבא. במסך Select Files, לחץ על Add Files.
אתר את הקבצים שיש לסווג לפי מודל CNN ולאחר מכן לחץ על הבא. לאחר מכן, במסך בחירת אוכלוסיית בסיס, לחץ על תיבת הסימון לצד האוכלוסייה הלא-אפופטוטית באחד הקבצים שנטענו. לחץ לחיצה ימנית על האוכלוסייה הלא אפופטוטית, לחץ על בחר את כל האוכלוסיות התואמות כדי לבחור אוכלוסייה זו מכל הקבצים הטעונים, ולאחר מכן לחץ על הבא.
במסך Select Channels, ודא שהערוץ הראשון נבחר עבור Bright Field, וערוץ 7 נבחר עבור כתם ה- DNA ולחץ על Next. לבסוף, במסך האישור, לחץ על צור ניסוי. תוכנת הבינה המלאכותית טוענת את המודל שנבחר ואת כל התמונות מקבצי הנתונים שנבחרו.
לאחר הטעינה, לחץ על סיום. לאחר מכן, לחץ על סיווג כדי להפעיל את מסך הסיווג. והשתמש בתיבות הסימון כדי לבחור להשתמש ב- Random Forest או RF וב- CNN.
לאחר מכן לחץ על כפתור סיווג. פעולה זו מתחילה את תהליך השימוש במודלים RF ו- CNN כדי לסווג נתונים נוספים ולזהות את כל האובייקטים השייכים למחלקות המודל שצוינו. לאחר השלמת הסיווג, לחץ על הצג תוצאות.
לחץ על הלחצן עדכן DAFs כדי להציג את חלון עדכון DAFs עם תוצאות סיווג ולאחר מכן לחץ על אישור כדי לעדכן את קבצי DAF. כדי להפיק את הדוח, במסך התוצאות, לחץ על צור דוח. אם נדרש דוח נפרד עבור כל DAF קלט, בחר בתיבת הסימון לצד צור דוח עבור כל DAF קלט.
אחרת, פשוט לחץ על אישור כדי לקבל את הדוחות. אלגוריתם הצביר בסיוע AI מקבץ אובייקטים דומים בתוך מקטע יחד, על פי המורפולוגיה של שני האובייקטים הלא מסווגים והאובייקטים שהוקצו למחלקות מודל האמת הקרקעית. אשכולות המכילים תאים חד-גרעיניים נמצאים בצד אחד של מפת האובייקטים, בעוד שהתאים מרובי הגרעינים נמצאים בצד הנגדי.
אשכולות תאים בינוקלציה נופלים בין אשכולות תאים מונו ומרובי גרעינים. לבסוף, אשכולות עם מורפולוגיה לא סדירה, נופלים באזורים שונים של מפת האובייקט. אלגוריתם החיזוי חזק יותר מאלגוריתם הצביר בזיהוי מורפולוגיות עדינות בתמונות.
לדוגמה, תאים מונוגרעיניים עם MN לעומת תאים מונו-גרעיניים ללא MN. ניתן להעריך את ביצועי המודל באמצעות כלים, כולל היסטוגרמות התפלגות מחלקות, סטטיסטיקות דיוק ומטריצת בלבול אינטראקטיבית. בהיסטוגרמות של התפלגות מעמדית, ככל שערכי האחוזים קרובים יותר בין האמת לאוכלוסיות החזויות, כך המודל מדויק יותר. בסטטיסטיקת הדיוק, ככל שמדדים אלה קרובים יותר ל-100%, כך המודל מדויק יותר בזיהוי אירועים במחלקות המודל.
לבסוף, מטריצת הבלבול האינטראקטיבית מציינת היכן המודל מפספס אירועים. גנוטוקסיות נמדדה על ידי אחוז המיקרו-גרעינים במיקרוסקופיה, המסומנת על ידי עמודות שקופות, ובינה מלאכותית שצוינה על ידי עמודות מנוקדות לאחר חשיפה של 3 שעות והתאוששות של 24 שעות, עבור מניטול, אטופוסיד ומיטומיצין C, תוך שימוש הן בשיטות ציטוכלסין B והן בשיטות שאינן ציטוכלסין B. בעת יצירת ניסוי אימון, ודא שהנתונים הטעונים מכילים תמונות מדגימות בקרה חיוביות ושליליות.
מיקרו-גרעינים הם נדירים, ונדרשות מספיק תמונות כדי לבנות מודל AI מדויק. הליך זה מאפשר יצירת מודלים של בינה מלאכותית לניתוח נתוני מיקרוגרעין זרימת הדמיה בכל תחום מחקר, כגון ביודוזימטריה של קרינה. שיטה מהירה וחזקה מבוססת בינה מלאכותית לזיהוי מיקרו-גרעינים, עשויה להתרחב ליישומים אחרים, כגון כימות מיקרו-גרעינים שעשויים לחזות את הסיכון להתפתחות סרטן.
