Как глубокое обучение помогает анализу клеточных изображений
Клетка — это базовая структурная и функциональная единица жизни, обладающая различными размерами, формами и плотностью. На эти параметры влияет множество физиологических и патологических факторов, поэтому изучение характеристик клеток чрезвычайно важно для биомедицинских и фармацевтических исследований.
Традиционно исследователи изучали морфологические изменения клеток, наблюдая образцы напрямую через микроскопы. В последние годы, с развитием компьютерных наук и искусственного интеллекта, глубокое обучение стало комбинироваться с методами анализа клеток. Это может заменить прямое наблюдение исследователей под микроскопом и ручную интерпретацию изображений, повышая эффективность и точность исследований.
Разработано всё больше алгоритмов на основе глубокого обучения для решения трёх ключевых задач анализа клеточных изображений:
- Сегментация. Для идентификации значимых объектов или признаков изображение делится на несколько частей с помощью глубокого обучения. Сегментация клеток — это базовая предпосылка для идентификации, подсчёта, отслеживания и морфологического анализа изображений клеток.
- Отслеживание (трекинг). После сегментации изображений отслеживается поведение клеток во всём спектре. Живые клетки содержат много информации об организме, а их динамические характеристики, особенно морфологические изменения, могут отражать состояние здоровья организма при патологических и физиологических процессах, таких как иммунный ответ, заживление ран, распространение и метастазирование раковых клеток.
- Классификация. Классификация морфологических признаков клеток на основе извлечённых параметров часто служит задачей последующего анализа для фенотипического скрининга и профилирования клеток.
В обзорной статье, опубликованной в журнале Intelligent Computing, подробно обсуждается прогресс в методах глубокого обучения для этих трёх важнейших задач.
«В отличие от традиционных методов компьютерного зрения, глубокая нейронная сеть (DNN) может автоматически создавать более эффективные представления, чем созданные вручную, обучаясь на крупномасштабных наборах данных. В клеточных изображениях методы на основе глубокого обучения также показывают многообещающие результаты в сегментации и отслеживании клеток», — заявили авторы. — «Такие успешные применения демонстрируют способность DNN извлекать признаки высокого уровня и проливают свет на потенциальную возможность использования глубокого обучения для раскрытия более сложных законов жизни, стоящих за клеточными фенотипами».
Кроме того, авторы обсуждают проблемы и возможности методов глубокого обучения в обработке клеточных изображений. По их словам, «глубокое обучение продемонстрировало невероятную способность выполнять анализ клеточных изображений. Однако остаётся значительный разрыв в производительности между алгоритмами глубокого обучения в академических исследованиях и практических приложениях». В настоящее время существуют проблемы и возможности в трёх аспектах: количество данных, качество данных и достоверность данных.
- Глубокое обучение на небольших, но дорогих наборах данных. Создание крупномасштабного набора данных клеточных изображений — сложная задача, поскольку для присвоения меток изображениям требуются знающие биологические эксперты. Масштаб наборов данных часто ограничен сложностью аннотирования.
- Глубокое обучение с зашумлёнными и несбалансированными метками. Качество аннотаций наборов данных сильно зависит от профессиональных навыков людей, что приводит к шуму и дисбалансу меток. Шум меток возникает при присвоении неправильных или неполных меток обучающим изображениям. Дисбаланс меток вызван предпочтениями при аннотировании, когда количество размеченных изображений для разных классов сильно различается.
- Анализ клеточных изображений с учётом неопределённости. Обучение с учётом неопределённости имеет решающее значение для приложений глубокого обучения в биологических сценариях. Обычная нейронная сеть не может обнаруживать новые фенотипы без механизма, отражающего уверенность в результатах классификации.
С помощью глубокого обучения учёные исследуют новые технологии для улучшения анализа клеточных изображений. В будущем будут предложены более эффективные решения, а глубокое обучение и биомедицинские исследования станут более тесно интегрированы.