Automatización del ensayo de micronúcleos mediante citometría de flujo de imágenes e inteligencia artificial

La realización del ensayo de micronúcleos mediante citometría de flujo por imágenes supera muchas limitaciones de los métodos tradicionales, incluido el bajo rendimiento, la variabilidad de la puntuación y la falta de confirmación visual de los eventos. La principal ventaja de esta técnica es que todos los eventos clave pueden adquirirse mediante citometría de flujo de imágenes y analizarse mediante inteligencia artificial. Este método tiene el potencial de ser utilizado en la detección a gran escala de productos químicos y otros compuestos para probar la toxicidad a un rendimiento más alto que el disponible actualmente.

Al construir un nuevo modelo de IA, el principal desafío es obtener suficientes imágenes de células con micronúcleos, por lo que es importante utilizar los algoritmos de etiquetado de imágenes. Para comenzar, inicie el software de Inteligencia Artificial o IA. En Tipo de experimento, haga clic en el botón de opción junto a Entrenar para iniciar un experimento de entrenamiento para construir la red neuronal convolucional o el modelo CNN, y haga clic en Siguiente.

En los nombres de clase, haga clic en Agregar. En la ventana emergente, escriba Mononucleado y haga clic en Aceptar para agregar la clase mononucleada a la lista de nombres de clase. Repita este proceso para agregar los otros nombres de clase, como Mononucleado con MN, Binucleado, Binucleado con MN, Polinucleado y Morfología irregular.

En Seleccionar archivos, haga clic en Agregar archivos y busque los archivos deseados que se agregarán al software de IA para construir los datos de verdad sobre el terreno. A continuación, en la pantalla Seleccionar población base, busque la población no apoptótica de la jerarquía de población. Luego haga clic derecho en la población no apoptótica, elija Seleccionar todas las poblaciones coincidentes y haga clic en Siguiente.

Para asignar una población de verdad etiquetada de células mononucleadas con micronúcleo, haga clic en la clase Mononucleada con MN en Clases modelo a la izquierda y, a continuación, haga clic en la población de verdad etiquetada apropiada a la derecha. Una vez que se hayan asignado todas las poblaciones de verdad apropiadas, haga clic en Siguiente. En la pantalla Seleccionar canales, asegúrese de que se han elegido los canales adecuados para el experimento.

Aquí, elija Campo brillante o BF como canal uno, manadas de ADN como canal siete y, a continuación, haga clic en Siguiente. Finalmente, en la pantalla Confirmación, haga clic en Crear experimento. Haga clic en Etiquetado para iniciar la interfaz de la herramienta de etiquetado.

Luego haga clic en las herramientas de zoom para recortar las imágenes para facilitar la visualización. Y haga clic en la barra deslizante para ajustar el tamaño de la imagen y decidir el número de imágenes que se mostrarán en la galería. Haga clic en la opción Configuración de pantalla y elija min-max, que proporciona la mejor imagen de contraste para identificar todos los eventos clave.

A continuación, haga clic en Configurar pantalla de la galería para cambiar el color de la imagen de ADN a amarillo o blanco, lo que mejorará la visualización de objetos pequeños. Haga clic en Clúster para ejecutar el algoritmo para agrupar imágenes con morfología similar. Una vez completada la agrupación en clústeres, haga clic en los clústeres individuales y comience a asignar imágenes a las clases de modelo adecuadas.

Después de asignar un mínimo de 25 objetos a cada clase de modelo, el algoritmo de predicción pasa a estar disponible. Haga clic en Predict. Una vez que el algoritmo de predicción haya completado la ejecución, agregue objetos de las clases predichas a las clases de modelo adecuadas.

Una vez que se asigne un mínimo de 100 objetos a cada clase de modelo, haga clic en la pestaña Entrenamiento en la parte superior de la pantalla y, a continuación, haga clic en el botón Entrenar. Una vez que se complete el entrenamiento del modelo, haga clic en Ver resultados para evaluar la precisión del modelo. Una vez completado el entrenamiento del modelo, haga clic en el botón de menú para definir un nuevo experimento.

En Tipo de experimento, haga clic en el botón de opción situado junto a Clasificar para iniciar un experimento de clasificación y haga clic en Siguiente. Haga clic en el modelo que se utilizará para la clasificación, luego haga clic en Siguiente. En la pantalla Seleccionar archivos, haga clic en Agregar archivos.

Busque los archivos que se clasificarán por el modelo CNN y luego haga clic en Siguiente. A continuación, en la pantalla Seleccionar población base, haga clic en la casilla de verificación junto a la población no apoptótica en uno de los archivos cargados. Haga clic con el botón derecho en la población no apoptótica, haga clic en Seleccionar todas las poblaciones coincidentes para seleccionar esta población de todos los archivos cargados y, a continuación, haga clic en Siguiente.

En la pantalla Seleccionar canales, compruebe que el canal uno está seleccionado para el campo brillante y el canal siete está seleccionado para la tinción de ADN y haga clic en Siguiente. Finalmente, en la pantalla de confirmación, haga clic en Crear experimento. El software AI carga el modelo seleccionado y todas las imágenes de los archivos de datos elegidos.

Después de cargar, haga clic en Finalizar. A continuación, haga clic en Clasificar para iniciar la pantalla de clasificación. Y use las casillas de verificación para elegir usar Random Forest o RF y CNN.

Luego haga clic en el botón Clasificar. Esto inicia el proceso de uso de los modelos RF y CNN para clasificar datos adicionales e identificar todos los objetos que pertenecen a las clases de modelo especificadas. Una vez completada la clasificación, haga clic en Ver resultados.

Haga clic en el botón Actualizar DAF para abrir la ventana de actualización de DAF con resultados de clasificación y, a continuación, haga clic en Aceptar para actualizar los archivos DAF. Para generar el informe, en la pantalla de resultados, haga clic en Generar informe. Si se requiere un informe individual para cada DAF de entrada, seleccione la casilla de verificación situada junto a Crear informe para cada DAF de entrada.

De lo contrario, simplemente haga clic en Aceptar para obtener los informes. El algoritmo de clúster asistido por IA agrupa objetos similares dentro de un segmento, de acuerdo con la morfología de los objetos no clasificados y los objetos que se han asignado a las clases del modelo de verdad del suelo. Los grupos que contienen células mononucleadas caen en un lado del mapa de objetos, mientras que las células multinucleadas están en el lado opuesto.

Los grupos de células binucleadas se encuentran entre los grupos de células mononucleadas y multinucleadas. Finalmente, los cúmulos con morfología irregular, caen en diferentes áreas del mapa de objetos. El algoritmo de predicción es más robusto que el algoritmo de clúster para identificar morfologías sutiles en las imágenes.

Por ejemplo, células mononucleadas con MN versus células mononucleadas sin MN. El rendimiento del modelo se puede evaluar utilizando herramientas, incluidos histogramas de distribución de clases, estadísticas de precisión y una matriz de confusión interactiva. En los histogramas de distribución de clases, cuanto más cercanos sean los valores porcentuales entre las poblaciones de verdad y predichas, más preciso será el modelo. En las estadísticas de precisión, cuanto más cerca estén estas métricas del 100%, más preciso será el modelo para identificar eventos en las clases del modelo.

Finalmente, la matriz de confusión interactiva indica dónde el modelo clasifica erróneamente los eventos. La genotoxicidad se midió por el porcentaje de micronúcleos por microscopía, indicado por barras transparentes, y la IA indicada por barras punteadas después de una exposición de 3 horas y 24 horas de recuperación, para manitol, etopósido y mitomicina C, utilizando los métodos de citocalasina B y no citocalasina B. Al crear un experimento de entrenamiento, asegúrese de que los datos cargados contengan imágenes de muestras de control positivo y negativo.

Los micronúcleos son raros y se requieren imágenes suficientes para construir un modelo preciso de IA. Este procedimiento permite la creación de modelos de IA para analizar datos de micronúcleos de flujo de imágenes en cualquier campo de estudio, como la biodosimetría de radiación. Un método rápido y robusto basado en IA para identificar micronúcleos puede extenderse a otras aplicaciones, como la cuantificación de micronúcleos que pueden predecir el riesgo de desarrollo de cáncer.