به گزارش ایسنا، پژوهشگران راهی برای مشاهده نمونه‌های سلولی و مطالعه تغییرات مورفولوژیکی یا تغییر در شکل و ساختار سلول‌ها پیدا کرده‌اند. این اتفاق بسیار مهمی است، زیرا سلول‌ها، واحد اساسی حیات و آجرهای سازنده موجودات زنده هستند و پژوهشگران باید بتوانند آنچه را که می‌تواند بر پارامترهای سلول‌ها مانند اندازه، شکل و چگالی آنها تأثیر بگذارد، مشاهده کنند.
به طور معمول، نمونه‌های سلولی به شکل مستقیم از طریق میکروسکوپ توسط دانشمندان برای مشاهده و کشف هر گونه تغییر در سلول‌ها مشاهده می‌شوند. آنها به دنبال تغییرات مورفولوژیکی در ساختارهای سلولی بودند. اما اکنون آنها می‌توانند از هوش مصنوعی برای انجام این مشاهدات استفاده کنند.
پژوهشگران اکنون از طریق استفاده از علوم کامپیوتر و زیرمجموعه‌ای از هوش مصنوعی به نام فناوری یادگیری عمیق می‌توانند این روش‌ها را برای تشخیص آنالیز سلولی ترکیب کنند.
اهمیت تجزیه و تحلیل تصویر سلولی و استفاده از هوش مصنوعی برای پژوهش
تصاویر سلولی معمولاً 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 اغلب 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 آنها است.
پیامدهای فنوتیپی به ویژگی‌های قابل مشاهده در ساختار سلول اشاره دارد.
این پژوهش سه وظیفه مهم در تجزیه و تحلیل تصویر سلولی را ارائه کرد که عبارتند از تقسیم بندی، ردیابی و طبقه‌بندی اما این سه وظیفه کلیدی چه هستند؟
تقسیم بندی، ردیابی و طبقه‌بندی تصویر سلولی
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 ارگانیسم 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 عملیات، مانند آزمایش فرضیه و یک پیش‌بینی یا یک 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 تکنیک‌های 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.
چالش‌های استفاده از هوش مصنوعی برای تجزیه و تحلیل تصویر سلولی
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 داده‌ها است.
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 عدم تعادل در برچسب‌ها یا ترجیح در تصاویر برچسب‌گذاری شده شود که باعث می‌شود تعداد تصاویر برچسب‌گذاری شده برای کلاس‌های 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.
سومین چالش ذکر شده، تجزیه و تحلیل تصویر سلولی آگاه از عدم قطعیت نام دارد. این می‌تواند منجر به مشکل شود، زیرا شبکه‌های عصبی مصنوعی هوش مصنوعی نمی‌توانند فنوتیپ‌های جدید را بدون روشی برای انعکاس قابلیت اطمینان نتایج طبقه بندی شناسایی کنند.
کاربرد آینده هوش مصنوعی در تجزیه و تحلیل تصویر سلولی
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.
انتهای پیام