Автоматизация анализа микроядер с помощью визуализационной проточной цитометрии и искусственного интеллекта

Выполнение анализа микроядер с использованием визуализирующей проточной цитометрии преодолевает многие ограничения традиционных методов, включая низкую пропускную способность, вариабельность баллов и отсутствие визуального подтверждения событий. Основное преимущество этого метода заключается в том, что все ключевые события могут быть получены с помощью визуализирующей проточной цитометрии и проанализированы с помощью искусственного интеллекта. Этот метод может быть использован при крупномасштабном скрининге химических веществ и других соединений для проверки токсичности при более высокой пропускной способности, чем в настоящее время.

При построении новой модели ИИ основной задачей является получение достаточного количества изображений клеток с микроядрами, поэтому важно использовать алгоритмы маркировки изображений. Для начала запустите программное обеспечение искусственного интеллекта или искусственного интеллекта. В разделе "Тип эксперимента" щелкните переключатель рядом с "Обучить", чтобы начать обучающий эксперимент для построения модели сверточной нейронной сети или CNN, и нажмите кнопку "Далее".

В разделе «Имена классов» нажмите «Добавить». Во всплывающем окне введите Mononucleated и нажмите OK, чтобы добавить одноядерный класс в список имен классов. Повторите этот процесс, чтобы добавить другие имена классов, такие как одноядерный с MN, двуядерный, двуядерный с MN, полиядерный и нерегулярная морфология.

В разделе «Выбрать файлы» нажмите «Добавить файлы» и найдите нужные файлы, которые будут добавлены в программное обеспечение ИИ, чтобы создать достоверные данные. Затем на экране Select Base Population (Выбор базовой популяции) найдите неапоптотическую популяцию из иерархии популяций. Затем щелкните правой кнопкой мыши неапоптотическую популяцию, выберите «Выбрать все совпадающие популяции» и нажмите «Далее».

Чтобы назначить помеченную истинную популяцию моноядерных клеток с микроядром, щелкните класс Мононуклеированные с MN в разделе «Классы моделей» слева, а затем щелкните соответствующую помеченную истинную популяцию справа. После того, как все соответствующие группы истины будут назначены, нажмите «Далее». На экране Выбор каналов убедитесь, что выбраны соответствующие каналы для эксперимента.

Здесь выберите «Яркое поле» или «BF» в качестве первого канала, стада для ДНК в качестве седьмого канала, а затем нажмите «Далее». Наконец, на экране подтверждения нажмите «Создать эксперимент». Нажмите «Теги», чтобы запустить интерфейс инструмента тегов.

Затем нажмите на инструменты масштабирования, чтобы обрезать изображения для более удобного просмотра. И нажмите на ползунок, чтобы настроить размер изображения и выбрать количество изображений, которые будут отображаться в галерее. Нажмите на опцию «Настройка дисплея» и выберите min-max, что обеспечивает наилучшую контрастность изображения для идентификации всех ключевых событий.

Затем нажмите «Настроить отображение галереи», чтобы изменить цвет изображения ДНК на желтый или белый, что улучшит визуализацию мелких объектов. Нажмите «Кластер», чтобы запустить алгоритм группировки изображений со схожей морфологией. После завершения кластеризации щелкните отдельные кластеры и начните назначать образы соответствующим классам моделей.

После того, как каждому классу модели назначено не менее 25 объектов, алгоритм прогнозирования становится доступным. Нажмите «Предсказать». После завершения выполнения алгоритма прогнозирования добавьте объекты из прогнозируемых классов в соответствующие классы моделей.

После того, как каждому классу модели будет назначено не менее 100 объектов, нажмите на вкладку «Обучение» в верхней части экрана, а затем нажмите кнопку «Обучить». После завершения обучения модели нажмите «Просмотреть результаты», чтобы оценить точность модели. После завершения обучения модели нажмите кнопку меню, чтобы определить новый эксперимент.

В разделе Тип эксперимента щелкните переключатель рядом с пунктом Классифицировать, чтобы начать эксперимент по классификации, и нажмите кнопку Далее. Нажмите на модель, которая будет использоваться для классификации, затем нажмите «Далее». На экране «Выбор файлов» нажмите «Добавить файлы».

Найдите файлы, которые будут классифицированы по модели CNN, а затем нажмите «Далее». Далее на экране Select Base Population поставьте галочку напротив пункта Non-apoptotic population в одном из загруженных файлов. Щелкните правой кнопкой мыши неапоптотическую популяцию, выберите «Выбрать все совпадающие популяции», чтобы выбрать эту популяцию из всех загруженных файлов, а затем нажмите «Далее».

На экране «Выбор каналов» убедитесь, что для яркого поля выбран первый канал, а для окрашивания ДНК — седьмой, и нажмите кнопку «Далее». Наконец, на экране подтверждения нажмите «Создать эксперимент». Программное обеспечение AI загружает выбранную модель и все изображения из выбранных файлов данных.

После загрузки нажмите «Готово». Затем нажмите «Классифицировать», чтобы запустить экран классификации. И используйте флажки, чтобы выбрать использование Random Forest или RF и CNN.

Затем нажмите кнопку «Классифицировать». Так начинается процесс использования моделей RF и CNN для классификации дополнительных данных и идентификации всех объектов, принадлежащих к указанным классам моделей. После завершения классификации нажмите «Просмотреть результаты».

Нажмите кнопку «Обновить DAF», чтобы открыть окно обновления DAF с результатами классификации, а затем нажмите «ОК», чтобы обновить файлы DAF. Чтобы создать отчет, на экране результатов нажмите «Создать отчет». Если требуется отдельный отчет для каждого входного DAF, установите флажок Создать отчет для каждого входного DAF.

В противном случае просто нажмите «ОК», чтобы получить отчеты. Кластерный алгоритм с помощью ИИ группирует похожие объекты в сегменте вместе в соответствии с морфологией как неклассифицированных объектов, так и объектов, которые были отнесены к классам наземных моделей истинности. Кластеры, содержащие одноядерные клетки, находятся на одной стороне карты объектов, в то время как многоядерные клетки находятся на противоположной стороне.

Двуядерные клеточные кластеры находятся между моно- и многоядерными клеточными кластерами. Наконец, кластеры с нерегулярной морфологией попадают в разные области карты объектов. Алгоритм прогнозирования более надежен, чем кластерный алгоритм, при выявлении тонких морфологий в изображениях.

Например, моноядерные клетки с MN по сравнению с мононуклеированными клетками без MN. Производительность модели можно оценить с помощью инструментов, включая гистограммы распределения классов, статистику точности и интерактивную матрицу путаницы. В гистограммах распределения классов, чем ближе процентные значения между истинной и прогнозируемой популяциями, тем точнее модель. В статистике точности, чем ближе эти метрики к 100%, тем точнее модель идентифицирует события в классах моделей.

Наконец, интерактивная матрица путаницы указывает, где модель пропускает классификацию событий. Генотоксичность измеряли процентным содержанием микроядер с помощью микроскопии, обозначенных прозрачными полосами, и AI, обозначенных пунктирными полосами после 3-часового воздействия и 24-часового восстановления, для маннита, этопозида и митомицина С с использованием методов цитохалазина B и нецитохалазина B. При создании обучающего эксперимента убедитесь, что загруженные данные содержат изображения из положительных и отрицательных контрольных образцов.

Микроядра встречаются редко, и для построения точной модели ИИ требуется достаточное количество изображений. Эта процедура позволяет создавать модели искусственного интеллекта для анализа данных микроядер потока визуализации в любой области исследований, таких как радиационная биодозиметрия. Быстрый и надежный метод идентификации микроядер на основе искусственного интеллекта может распространяться на другие приложения, такие как количественное определение микроядер, которые могут быть предикторами риска развития рака.