أتمتة مقايسة النواة الدقيقة باستخدام قياس التدفق الخلوي للتصوير والذكاء الاصطناعي

يتغلب إجراء مقايسة النواة الدقيقة باستخدام قياس التدفق الخلوي للتصوير على العديد من قيود الطرق التقليدية ، بما في ذلك الإنتاجية المنخفضة ، وتقلب النتيجة ، وعدم التأكيد البصري للأحداث. الميزة الرئيسية لهذه التقنية هي أنه يمكن الحصول على جميع الأحداث الرئيسية باستخدام قياس التدفق الخلوي للتصوير وتحليلها باستخدام الذكاء الاصطناعي. ويمكن استخدام هذه الطريقة في فحص المواد الكيميائية والمركبات الأخرى على نطاق واسع لاختبار السمية بإنتاجية أعلى مما هو متاح حاليا.

عند بناء نموذج الذكاء الاصطناعي جديد ، يتمثل التحدي الرئيسي في الحصول على صور كافية للخلايا ذات النوى الدقيقة ، لذلك من المهم استخدام خوارزميات وضع علامات على الصور. للبدء ، قم بتشغيل برنامج الذكاء الاصطناعي أو الذكاء الاصطناعي. ضمن نوع التجربة ، انقر فوق زر الاختيار الموجود بجانب Train لبدء تجربة تدريبية لبناء الشبكة العصبية التلافيفية أو نموذج CNN ، وانقر فوق التالي.

في أسماء الفئات ، انقر فوق إضافة. في النافذة المنبثقة ، اكتب أحادي النواة ، وانقر فوق "موافق" لإضافة الفئة أحادية النواة إلى قائمة أسماء الفئات. كرر هذه العملية لإضافة أسماء الفئات الأخرى ، مثل أحادي النواة مع MN ، ثنائي النواة ، ثنائي النواة مع MN ، متعدد النوى ، ومورفولوجيا غير منتظمة.

ضمن تحديد الملفات ، انقر فوق إضافة ملفات ، واستعرض بحثا عن الملفات المطلوبة لإضافتها إلى برنامج الذكاء الاصطناعي ، لبناء بيانات الحقيقة الأساسية. بعد ذلك في شاشة تحديد قاعدة السكان، حدد موقع المحتوى غير المبرمج من التسلسل الهرمي للسكان. ثم انقر بزر الماوس الأيمن على السكان غير المبرمجين ، واختر تحديد جميع المجموعات السكانية المطابقة ، وانقر فوق التالي.

لتعيين مجموعة حقيقة موسومة للخلايا أحادية النوى ذات النواة الدقيقة ، انقر فوق فئة أحادية النوى مع MN ضمن فئات النموذج على اليسار ، ثم انقر فوق مجموعة الحقيقة الموسومة المناسبة على اليمين. بمجرد تعيين جميع مجموعات الحقيقة المناسبة ، انقر فوق التالي. في شاشة تحديد القنوات، تأكد من اختيار القنوات المناسبة للتجربة.

هنا ، اختر Bright Field أو BF كقناة واحدة ، قطعان للحمض النووي كقناة سابعة ، ثم انقر فوق التالي. أخيرا ، في شاشة التأكيد ، انقر فوق إنشاء تجربة. انقر فوق وضع العلامات لتشغيل واجهة أداة وضع العلامات.

ثم انقر فوق أدوات التكبير / التصغير لاقتصاص الصور لتسهيل المشاهدة. وانقر على شريط التمرير لضبط حجم الصورة وتحديد عدد الصور التي سيتم عرضها في المعرض. انقر فوق خيار إعداد العرض واختر min-max ، والذي يوفر أفضل صورة تباين لتحديد جميع الأحداث الرئيسية.

بعد ذلك ، انقر فوق إعداد معرض العرض لتغيير لون صورة الحمض النووي إلى الأصفر أو الأبيض ، مما سيؤدي إلى تحسين تصور الأشياء الصغيرة. انقر فوق Cluster لتشغيل الخوارزمية لتجميع الصور ذات التشكل المماثل معا. بمجرد اكتمال التجميع ، انقر فوق المجموعات الفردية وابدأ في تعيين الصور لفئات النموذج المناسبة.

بعد تعيين ما لا يقل عن 25 كائنا لكل فئة نموذج ، تصبح خوارزمية التنبؤ متاحة. انقر فوق توقع. بمجرد اكتمال تشغيل خوارزمية التنبؤ ، أضف كائنات من الفئات المتوقعة إلى فئات النموذج المناسبة.

بمجرد تعيين ما لا يقل عن 100 كائن لكل فئة طراز ، انقر فوق علامة التبويب التدريب في الجزء العلوي من الشاشة ، ثم انقر فوق الزر "قطار". بمجرد اكتمال تدريب النموذج ، انقر فوق عرض النتائج لتقييم دقة النموذج. بمجرد اكتمال تدريب النموذج ، انقر فوق زر القائمة لتحديد تجربة جديدة.

ضمن نوع التجربة، انقر فوق زر الاختيار الموجود بجانب تصنيف لبدء تجربة تصنيف، ثم انقر فوق التالي. انقر فوق النموذج المراد استخدامه للتصنيف ، ثم انقر فوق التالي. في شاشة تحديد الملفات ، انقر فوق إضافة ملفات.

استعرض بحثا عن الملفات المراد تصنيفها حسب نموذج CNN ، ثم انقر فوق التالي. بعد ذلك ، في شاشة تحديد السكان الأساسيين ، انقر فوق مربع الاختيار بجوار السكان غير المبرمجين في أحد الملفات المحملة. انقر بزر الماوس الأيمن فوق السكان غير المبرمجين ، وانقر فوق تحديد كافة المجموعات المطابقة لتحديد هذه المجموعة من جميع الملفات المحملة ، ثم انقر فوق التالي.

في شاشة تحديد القنوات، تحقق من تحديد القناة الأولى للحقل الساطع، وتحديد القناة السابعة لصبغة الحمض النووي، وانقر فوق التالي. أخيرا ، في شاشة التأكيد ، انقر فوق إنشاء تجربة. يقوم برنامج الذكاء الاصطناعي بتحميل النموذج المحدد وجميع الصور من ملفات البيانات المختارة.

بعد التحميل ، انقر فوق "إنهاء". بعد ذلك ، انقر فوق تصنيف لتشغيل شاشة التصنيف. واستخدم خانات الاختيار لاختيار استخدام Random Forest أو RF وCNN.

ثم انقر فوق الزر تصنيف. يبدأ هذا عملية استخدام نماذج RF و CNN لتصنيف البيانات الإضافية وتحديد جميع الكائنات التي تنتمي إلى فئات النماذج المحددة. بمجرد اكتمال التصنيف ، انقر فوق عرض النتائج.

انقر على تحديث DAFs زر لإظهار تحديث DAFs مع نافذة نتائج التصنيف ، ثم انقر فوق "موافق" لتحديث ملفات DAF. لإنشاء التقرير ، في شاشة النتائج ، انقر فوق إنشاء تقرير. إذا كان هناك حاجة إلى تقرير فردي لكل إدخال DAF، فحدد خانة الاختيار الموجودة بجانب إنشاء تقرير لكل إدخال DAF.

خلاف ذلك ، ما عليك سوى النقر فوق "موافق" للحصول على التقارير. تقوم خوارزمية الكتلة بمساعدة الذكاء الاصطناعي بتجميع الكائنات المتشابهة داخل مقطع معا ، وفقا لمورفولوجيا كل من الكائنات غير المصنفة والكائنات التي تم تعيينها لفئات نموذج الحقيقة الأرضية. تقع المجموعات التي تحتوي على خلايا أحادية النوى على جانب واحد من خريطة الكائن ، بينما تقع الخلايا متعددة النوى على الجانب الآخر.

تقع مجموعات الخلايا ثنائية النواة بين مجموعات الخلايا أحادية ومتعددة النوى. أخيرا ، تقع المجموعات ذات التشكل غير المنتظم في مناطق مختلفة من خريطة الكائن. خوارزمية التنبؤ أكثر قوة من خوارزمية الكتلة في تحديد الأشكال الدقيقة في الصور.

على سبيل المثال ، الخلايا أحادية النوى مع MN مقابل الخلايا أحادية النوى بدون MN. يمكن تقييم أداء النموذج باستخدام الأدوات ، بما في ذلك الرسوم البيانية لتوزيع الفئة ، وإحصاءات الدقة ، ومصفوفة الارتباك التفاعلية. في الرسوم البيانية لتوزيع الطبقة ، كلما اقتربت قيم النسبة المئوية بين الحقيقة والسكان المتوقعين ، كان النموذج أكثر دقة. في إحصائيات الدقة ، كلما اقتربت هذه المقاييس من 100٪ ، كان النموذج أكثر دقة في تحديد الأحداث في فئات النموذج.

أخيرا ، تشير مصفوفة الارتباك التفاعلية إلى المكان الذي يخطئ فيه النموذج في تصنيف الأحداث. تم قياس السمية الجينية من خلال النسبة المئوية للنوى الدقيقة عن طريق الفحص المجهري ، المشار إليها بواسطة قضبان شفافة ، ويشار إليها الذكاء الاصطناعي بواسطة القضبان المنقطة بعد التعرض لمدة 3 ساعات والتعافي لمدة 24 ساعة ، لمانيتول وإيتوبوسيد وميتوميسين ج ، باستخدام كل من طرق السيتوكلاسين ب وغير السيتوكلاسين ب. عند إنشاء تجربة تدريبية، تأكد من أن البيانات المحملة تحتوي على صور من عينات تحكم موجبة وسالبة.

النوى الدقيقة نادرة ، وهناك حاجة إلى صور كافية لبناء نموذج الذكاء الاصطناعي دقيق. يسمح هذا الإجراء بإنشاء نماذج الذكاء الاصطناعي لتحليل بيانات النواة الدقيقة لتدفق التصوير في أي مجال من مجالات الدراسة ، مثل قياس الجرعات الحيوية الإشعاعية. قد تمتد الطريقة السريعة والقوية القائمة على الذكاء الاصطناعي لتحديد النوى الدقيقة إلى تطبيقات أخرى ، مثل تحديد النوى الدقيقة التي قد تكون تنبؤية لخطر الإصابة بالسرطان.