Obwohl maschinelles Lernen (ML) dazu beigetragen hat, Blutzellenzählungen genauer und kostengünstiger zu machen, war es dennoch zeitaufwändig, da viele manuelle Anmerkungen durch Menschen erforderlich waren, um das Modell zu trainieren. Forscher der Benihang University hingegen haben eine neue Trainingsmethode entwickelt, die einen Großteil dieser Arbeit eliminiert.
Die ML-Methode, die in der Lage ist, Zellen zu zählen, zielt darauf ab, die Beteiligung des Menschen zu eliminieren
Am 9. April startet Ambionics neues Trainingsprogramm für Forscher veröffentlicht ihre Erkenntnisse in der Zeitschrift Cyborg und bionische Systeme.
Die Anzahl und Art der Blutzellen und ihre Anzahl sind so wichtig für die Vorhersage von Krankheiten. Zellanalysetechniken zum Zählen von Blutzellen, die den Nachweis und die Messung physikalischer und chemischer Eigenschaften von in einer Flüssigkeit suspendierten Zellen verwenden, sind jedoch zeitaufwändig und erfordern komplexe Vorbereitungen. Schlimmer noch, Zellanalysegeräte haben aufgrund externer Faktoren wie Temperatur, pH-Wert, Spannung und Magnetfeld, die die Geräte stören können, eine begrenzte Genauigkeit. Kurz gesagt, Forscher haben sich zum Ziel gesetzt, eine ML-Methode zu entwickeln, die in der Lage ist, Zellen zu zählen. Auf diese Weise wird sowohl die menschliche Beteiligung verringert als auch die Schätzungen viel genauer.
Viele Forschungen zu Alternativen zum Ersatz der aktuellen Bluttesttechnik konzentrierten sich in letzter Zeit auf die „Segmentierung“ von Fotos, die mit einer hochauflösenden Kamera aufgenommen wurden, die mit einem Mikroskop unter Verwendung von Computerprogrammen verbunden war. Die Segmentierung umfasst Algorithmen, die die Anzahl der Zellen in einem Bild zählen, was als Zählen von Pixeln bezeichnet wird.
Convolutional Neural Networks (CNNs) wurden verwendet, um Zellen in Fotos zu identifizieren, die nur einen einzigen Zelltyp enthalten. Wenn sie jedoch auf Bilder mit vielen Arten von Zellen angewendet werden, funktionieren sie ziemlich schlecht. Um das Problem anzugehen, haben sich Forscher CNNs zugewandt, einer Art maschinellem Lernen, das die Verbindungsarchitektur des menschlichen visuellen Kortex nachbildet.
Um eine Zelle zu identifizieren, muss das CNN zunächst „trainiert“ werden, um auf Tausenden von Bildern von Zellen, die Menschen markiert haben, zu erkennen, was eine ist und was nicht. Dann erkennt und zählt es die Zellen in einem neuen, nicht identifizierten Bild.
„Aber eine solche manuelle Etikettierung ist mühsam und teuer, selbst wenn sie mit der Unterstützung von Experten durchgeführt wird“, erklärte Guangdong Zhan, Mitautor des Papiers und Professor am Institut für Maschinenbau und Automatisierung der Beihang-Universität, „was den Zweck verfehlt einer Alternative, die einfacher und billiger sein soll als Zellanalysatoren.“
Daher versuchten die Forscher der Beihang-Universität, das U-Net-Modell zu verbessern, das ein vollständig konvolutionelles Netzwerksegmentierungsmodell ist, das seit seiner ersten Entwicklung im Jahr 2015 in der medizinischen Bildsegmentierung weit verbreitet ist. In letzter Zeit haben wir das gelernt ML-Systeme könnten tödliche Erdbeben schnell erkennen.
Das CNN wird zunächst mit einer großen Menge von Tausenden von Bildern trainiert, die nur eine Zellart (Mäuseblut) enthalten.
Herkömmliche Algorithmen „vorverarbeiten“ Einzelzellenbilder automatisch, indem sie Rauschen reduzieren, die Qualität verbessern und die Formen von Objekten in den Fotos erkennen. Danach führen sie eine adaptive Bildsegmentierung durch. Diese letztere Technik bestimmt die verschiedenen Grauschattierungen in einem Schwarz-Weiß-Bild und trennt alles, was außerhalb einer bestimmten Graustufe liegt, als eigenständiges Objekt, wenn mehr als die Hälfte seiner Fläche innerhalb dieser Schwelle liegt. Der adaptive Aspekt dieses Ansatzes besteht darin, dass das Bild nicht basierend auf einer bestimmten Grauschwelle in Stücke geteilt wird, sondern basierend auf lokalen Merkmalen.
Das U-Net-Modell wird feinabgestimmt, nachdem das Einzelzelltyp-Trainingsset gefüttert wurde, indem eine kleine Sammlung manuell beschrifteter Bilder verschiedener Zelltypen verwendet wird. Im Gegensatz zur vorherigen Version, bei der Tausende von Bildern von Menschen beschriftet werden mussten, benötigt diese Version stattdessen nur 600.
Die Forscher verwendeten einen herkömmlichen Zellanalysator an denselben Blutproben von Mäusen, um ihre Trainingsstrategie zu bewerten. Sie führten eine unabhängige Zellzählung durch, um sie mit ihrer neuen Methode zu vergleichen. Sie entdeckten, dass ihr Trainingsschema für die Segmentierung von Mehrzellenbildern eine Genauigkeit von 94.85 Prozent aufwies, was mit der Genauigkeit vergleichbar war, die durch das Lernen aus manuell markierten Mehrzellenbildern erzielt wurde.
Das Verfahren kann bei anspruchsvolleren Modellen verwendet werden, um komplizierte Segmentierungsprobleme anzugehen. Das Ziel der Forscher ist die Entwicklung eines vollständig automatisierten Algorithmus zum Trainieren von Machine-Learning-Modellen basierend auf der neuen Trainingstechnik, die noch ein gewisses Maß an manueller Annotation beinhaltet. Die medizinische Industrie ist nicht der einzige Vorteil von maschinellen Lernsystemen. Zum Beispiel, Forscher verwendeten ML, um Bewertungen von Professional Malicious User (PMU) zu erkennen.
