Automatyzacja testu mikrojądrowego z wykorzystaniem obrazowania, cytometrii przepływowej i sztucznej inteligencji

Wykonanie testu mikrojądrowego za pomocą obrazowej cytometrii przepływowej pozwala przezwyciężyć wiele ograniczeń tradycyjnych metod, w tym niską przepustowość, zmienność punktacji i brak wizualnego potwierdzenia zdarzeń. Główną zaletą tej techniki jest to, że wszystkie kluczowe zdarzenia można uzyskać za pomocą obrazowej cytometrii przepływowej i przeanalizować za pomocą sztucznej inteligencji. Metoda ta może być potencjalnie wykorzystana w badaniach przesiewowych na dużą skalę chemikaliów i innych związków w celu zbadania toksyczności przy wyższej przepustowości niż jest to obecnie dostępne.

Podczas budowy nowego modelu AI głównym wyzwaniem jest uzyskanie wystarczającej ilości obrazów komórek z mikrojądrami, dlatego ważne jest wykorzystanie algorytmów tagowania obrazów. Aby rozpocząć, uruchom sztuczną inteligencję lub oprogramowanie AI. W obszarze Typ eksperymentu kliknij przycisk radiowy obok opcji Trenuj, aby rozpocząć eksperyment szkoleniowy dotyczący tworzenia konwolucyjnej sieci neuronowej lub modelu CNN, a następnie kliknij przycisk Dalej.

W obszarze Nazwy klas kliknij przycisk Dodaj. W wyskakującym okienku wpisz Mononucleated i kliknij OK, aby dodać klasę monojądrową do listy nazw klas. Powtórz ten proces, aby dodać inne nazwy klas, takie jak Mononucleated with MN, Binucleated, Binucleated with MN, Polynucleated i Nieregularna morfologia.

W obszarze Wybierz pliki kliknij Dodaj pliki i wyszukaj żądane pliki, które mają zostać dodane do oprogramowania AI, aby zbudować podstawowe dane prawdy. Następnie na ekranie Wybierz populację bazową zlokalizuj populację nieapoptotyczną w hierarchii populacji. Następnie kliknij prawym przyciskiem myszy populację nieapopotyczną, wybierz Wybierz wszystkie pasujące populacje i kliknij Dalej.

Aby przypisać oznaczoną populację komórek jednojądrowych z mikrojądrem, kliknij klasę Mononucleated with MN w obszarze Model Classes po lewej stronie, a następnie kliknij odpowiednią populację oznaczoną prawdą po prawej stronie. Po przypisaniu wszystkich odpowiednich populacji prawdy kliknij przycisk Dalej. Na ekranie Select Channels (Wybierz kanały) upewnij się, że wybrano odpowiednie kanały do eksperymentu.

Tutaj wybierz Bright Field lub BF jako kanał pierwszy, stada dla DNA jako kanał siódmy, a następnie kliknij Dalej. Na koniec na ekranie potwierdzenia kliknij Utwórz eksperyment. Kliknij Tagowanie, aby uruchomić interfejs narzędzia do tagowania.

Następnie kliknij narzędzia powiększania, aby przyciąć obrazy w celu łatwiejszego przeglądania. I kliknij suwak, aby dostosować rozmiar obrazu i zdecydować o liczbie obrazów, które mają być wyświetlane w galerii. Kliknij opcję Ustawienia wyświetlania i wybierz min-max, który zapewnia najlepszy kontrast obrazu do identyfikacji wszystkich kluczowych zdarzeń.

Następnie kliknij Setup Gallery Display, aby zmienić kolor obrazu DNA na żółty lub biały, co poprawi wizualizację małych obiektów. Kliknij Klaster, aby uruchomić algorytm w celu grupowania obrazów o podobnej morfologii. Po zakończeniu klastrowania kliknij poszczególne klastry i rozpocznij przypisywanie obrazów do odpowiednich klas modeli.

Po przypisaniu co najmniej 25 obiektów do każdej klasy modelu algorytm przewidywania staje się dostępny. Kliknij Przewiduj. Po zakończeniu działania algorytmu przewidywania dodaj obiekty z przewidywanych klas do odpowiednich klas modelu.

Po przypisaniu co najmniej 100 obiektów do każdej klasy modelu kliknij kartę Trening u góry ekranu, a następnie kliknij przycisk Trenuj. Po zakończeniu trenowania modelu kliknij pozycję Wyświetl wyniki, aby ocenić dokładność modelu. Po zakończeniu trenowania modelu kliknij przycisk menu, aby zdefiniować nowy eksperyment.

W obszarze Typ eksperymentu kliknij przycisk radiowy obok opcji Klasyfikuj, aby rozpocząć eksperyment klasyfikacyjny, a następnie kliknij przycisk Dalej. Kliknij model, który ma zostać użyty do klasyfikacji, a następnie kliknij przycisk Dalej. Na ekranie Wybierz pliki kliknij Dodaj pliki.

Wyszukaj pliki, które mają zostać sklasyfikowane według modelu CNN, a następnie kliknij przycisk Dalej. Następnie, na ekranie Wybierz populację bazową, kliknij pole wyboru obok populacji nieapoptotycznej w jednym z załadowanych plików. Kliknij prawym przyciskiem myszy populację nieapoptotyczną, kliknij Wybierz wszystkie pasujące populacje, aby wybrać tę populację ze wszystkich załadowanych plików, a następnie kliknij Dalej.

Na ekranie Select Channels (Wybierz kanały) sprawdź, czy kanał pierwszy jest wybrany dla Bright Field, a kanał siódmy jest wybrany dla barwienia DNA, a następnie kliknij przycisk Next (Dalej). Na koniec na ekranie potwierdzenia kliknij Utwórz eksperyment. Oprogramowanie AI ładuje wybrany model i wszystkie obrazy z wybranych plików danych.

Po załadowaniu kliknij Zakończ. Następnie kliknij Klasyfikuj, aby uruchomić ekran klasyfikacji. Użyj pól wyboru, aby wybrać użycie lasu losowego lub RF i CNN.

Następnie kliknij przycisk Klasyfikuj. Rozpoczyna to proces używania modeli RF i CNN do klasyfikowania dodatkowych danych i identyfikowania wszystkich obiektów, które należą do określonych klas modeli. Po zakończeniu klasyfikacji kliknij Wyświetl wyniki.

Kliknij przycisk Aktualizuj DAF, aby wyświetlić okno aktualizacji DAF z wynikami klasyfikacji, a następnie kliknij OK, aby zaktualizować pliki DAF. Aby wygenerować raport, na ekranie wyników kliknij przycisk Generuj raport. Jeśli wymagany jest osobny raport dla każdego wejściowego DAF, zaznacz pole wyboru Utwórz raport dla każdego wejściowego DAF.

W przeciwnym razie po prostu kliknij OK, aby uzyskać raporty. Algorytm klastrów wspomagany sztuczną inteligencją grupuje podobne obiekty w segmencie, zgodnie z morfologią zarówno obiektów niesklasyfikowanych, jak i obiektów, które zostały przypisane do klas modeli prawdy podstawowej. Klastry zawierające komórki jednojądrowe znajdują się po jednej stronie mapy obiektu, podczas gdy komórki wielojądrowe znajdują się po przeciwnej stronie.

Skupiska komórek dwujądrowych mieszczą się między skupiskami komórek jedno- i wielojądrowych. Wreszcie klastry o nieregularnej morfologii, przypadają w różnych obszarach mapy obiektów. Algorytm przewidywania jest bardziej niezawodny niż algorytm klastrowy w identyfikowaniu subtelnych morfologii na obrazach.

Na przykład komórki jednojądrzaste z MN kontra komórki jednojądrzaste bez MN. Wydajność modelu można ocenić za pomocą narzędzi, w tym histogramów rozkładu klas, statystyk dokładności i interaktywnej macierzy pomyłek. W histogramach rozkładu klas im bliższe są wartości procentowe między prawdą a przewidywaną populacją, tym dokładniejszy jest model. W statystykach dokładności im bliżej tych metryk jest 100%, tym dokładniejszy jest model w identyfikowaniu zdarzeń w klasach modelu.

Na koniec interaktywna macierz pomyłek wskazuje, gdzie model błędnie klasyfikuje zdarzenia. Genotoksyczność mierzono za pomocą procentu mikrojąder za pomocą mikroskopii, wskazywanego przez przezroczyste paski, oraz AI oznaczanej przez kropkowane paski po 3-godzinnej ekspozycji i 24-godzinnym powrocie do zdrowia, dla mannitolu, etopozydu i mitomycyny C, przy użyciu zarówno metody cytochalazyny B, jak i niecytochalazyny B. Podczas tworzenia eksperymentu szkoleniowego upewnij się, że załadowane dane zawierają obrazy z dodatnich i ujemnych próbek kontrolnych.

Mikrojądra są rzadkie, a do zbudowania dokładnego modelu sztucznej inteligencji wymagana jest wystarczająca ilość obrazów. Procedura ta pozwala na tworzenie modeli sztucznej inteligencji do analizy danych mikrojądrowych przepływu obrazowania w dowolnej dziedzinie nauki, takiej jak biodozymetria promieniowania. Szybka i niezawodna metoda identyfikacji mikrojąder oparta na sztucznej inteligencji może zostać rozszerzona na inne zastosowania, takie jak ilościowe określanie mikrojąder, które mogą być predykcyjne w odniesieniu do ryzyka rozwoju raka.