Mikroskopi ve Yapay Zeka

2 ay önce
21 kez görüntülendi

Sponsorlu Bağlantılar

Yapay Zeka (AI) mikroskopi alanında devrim yaratacak şekilde ayarlanmıştır. Son yıllarda, çok sayıda araştırma ekibinin Yapay Zeka’yı vizyon uygulamalarına başarıyla entegre ettiği görülmüştür. Derin Öğrenme (DL) ve Derin Sinir Ağları (DNN) tarafından yönlendirilen bu yenilikler, biyomedikal sektöründe yeni bir olasılık alanı yaratmaktadır. Küresel teknoloji endüstrisindeki birçok büyük firma, DL kullanarak, biyologlara mikroskopi teknikleriyle oluşturdukları görüntüler hakkında her zamankinden daha fazla bilgi elde etmenin bir yolunu sunan yöntemler geliştirmektedirler.

Google, Hücre Türlerini Tanımlamak İçin Derin Öğrenmeyi Kullanmaktadır

Mikroskopi ve Yapay ZekâBirkaç yıl önce, Gladstone Enstitüleri ve California Üniversitesi’ndeki araştırmacılar, uzun bir süre boyunca tek hücrelerden veri kaydedebilen robotik bir mikroskopi tekniği geliştirmişlerdir. Google, derin öğrenme yaklaşımını uygulamak için böylesine geniş bir veri kümesi aramaktaydı, bu nedenle mavi gökyüzü fikirlerine (insanların çözemediği veya çözemediği ancak bilgisayarların çok daha hızlı yapabileceği sorunlar) odaklanma planı ile birlikte çalışmışlardır. Ekip, insan araştırmacıların yapamadığı bilgileri belirlemek için mikroskopi teknikleri ile oluşturulan görüntüleri araştırabilen bir sinir ağı geliştirmeye başlamış, özellikle ışık mikroskobu kullanılarak alınan hücrelerin görüntülerinin hücrenin daha karmaşık doğası hakkında çok az şey ortaya çıkardığını, bu bilgiyi ortaya çıkarmak için bilim adamlarının boyama yöntemlerini kullandığını düşünmektedir. Ekip, bir sinir ağının boyanmamış hücrelerin özelliklerini tanımlamak için eğitilip eğitilemeyeceğini araştırmak istemiş, bu da süreci daha hızlı ve daha verimli hale getirmiştir.

Birkaç yıllık gelişimden sonra, ekip çalışmalarının bulgularını 2018 yılında Cell dergisinde yayınlanmıştır. Hücre türlerinin yanı sıra alt hücre yapılarını örneğin çekirdekler ve nöronal dendritler boyanmamış görüntülerden ayırt etmek için bir sinir ağı eğittiklerini göstermiştir. Bunu, boyanmamış örneklerde kök hücre türevi endotel hücrelerini tanımlamak için yöntemlerini kullanarak başarılı bir şekilde takip etmiştir. Yapay zekayı mikroskopi ile birleştirme süreci, bilim insanlarına pahalı ve zaman alıcı boyama içeren daha karmaşık görüntüleme tekniklerine ihtiyaç duymadan hücre örnekleri hakkında daha derin bir bilgiye erişmelerini sağlamaktadır. Gladstone Institutes, California Üniversitesi ve Google arasındaki bu işbirliğine kadar, mikroskopi de derin öğrenmeyi kullanan neredeyse hiç iş olmamıştır. Fakat günümüzde, görüntü analizinin görüntüsü değiştirmektedir, yeni yetenekler açmaktadır ve analitik süreçleri kolaylaştırmaktadır.

AI Kullanımının Mikroskopi ile Birlikte Büyümesi

Artık hücreleri tanımlamak için derin öğrenmeyi başarıyla kullanan birkaç sistem bulunmaktadır ve her biri biraz farklı şekillerde çalışmaktadırlar. Örneğin, Kaliforniya Üniversitesi’nden bir ekip, havadaki polen ve mantar sporlarını bir cep telefonu mikroskobu ve derin bir öğrenme ağı aracılığıyla tanımlayabilen bir yaklaşım geliştirmiştir ve teknik % 94 doğrudur. Polonya’da bir ekip yakın zamanda mikroskopi görüntülerinden bakteri türünü ve çeşidini tanımlayabilen derin öğrenme algoritmaları geliştirmiştir ve bu tarım, gıda güvenliği ve tıbbi araştırmaların önemli bir parçasıdır.

Mikroskopi ve Yapay ZekâGladstone Institutes ekibinden Finkbeiner, kısa bir süre önce Parkinson Michael J. Fox Vakfı’nın Araştırmaları için AI hastalığının teşhisini geliştirebilecek insan hücre tiplerinin özelliklerini belirlemek için bir mikroskopla nasıl kullanılabileceğini keşfetmek için güçlerini birleştirmişlerdir. Team Parkinson’un nöral bir ağ kullanarak sağlıklı hücrelerden alınan hastalıklardan yenilik yapma niyeti ile alınan ayrışan kök hücre türevi nöronlar için bir yoldur. Birkaç belirteç kullanarak hastalıklı hücrelerden sağlıklı hücreleri tanımlayabilen ve hastalık taramasının nasıl gerçekleştirilebileceğini dönüştüren AI geliştirmeyi başarmıştır. Onkoloji alanı, mikroskopi ile birlikte AI kullanımındaki ilerlemelerden de faydalanacaktır. Biyopsi örneklerinin mikrograflarının analiz edilmesine yardımcı olmak için yıllardır makine öğrenimi uygulanmıştır. Son zamanlarda, derin öğrenme giderek tanı ve tedaviyi geliştirmek için kullanılmaktadır. AI, derin öğrenme modellerinin tümörleri nasıl sınıflandıracağını ve kanser ilerleme seviyesini değerlendirmesini sağlayan bir patolog tarafından zaten analiz edilmiş görüntüler üzerinde eğitilebilmektedir. AI kullanan metodolojilerin çoğu durumda klinisyenlerden daha doğru olduğu kanıtlanmıştır.

Bu Konuyu Sosyal Medyada Paylaş

Yorumlar

Henüz yorum yapılmamış.


Yukarı Çık