ردیابی سلول های زنده با هوش مصنوعی ممکن شد

دانشمندان می‌گویند یک هوش مصنوعی جدید می‌تواند سلولی را در لحظه‌ای که می‌یابید کند و نشان می‌دهد که چگونه می‌توان از فناوری اطلاعات برای تجزیه و تحلیل و تحلیل تصویری سلولی که یک رمز و راز کلیدی در زیست‌شناسی است، استفاده کرد.

منبع

تقسیم بندی، اصل اساسی برای شناسایی، شمارش و تجزیه و تحلیل مرفولوژیکی تصاویر سلولی است. این وظیفه برای شناسایی ویژگی‌هایی که به قسمت‌ها یا بخش‌های مختلف تقسیم‌بندی می‌شوند، با استفاده از اهمیت ویژه انجام می‌شود.

نتایج این پژوهش در مجله Intelligent Computing منتشر شده است.

به طور معمول، نمونه‌های سلولی به شکل مستقیم از طریق میکروسکوپ توسط دانشمندان برای مشاهده و کشف هر گونه تغییر در سلول‌ها مشاهده می‌شوند. آنها به دنبال تغییرات مورفولوژیکی در ساختارهای سلولی بودند. اما اکنون آنها می‌توانند از هوش مصنوعی برای انجام این مشاهدات استفاده کنند.

ردیابی شامل نظارت بر تصاویر سلولی است. این کار معمولاً پس از تقسیم بندی اتفاق می‌افتد. پژوهشگران به دنبال‌های سلول‌های خاص هستند از جمله مواردی که تغییر مورفولوژیکی دارند، می‌توانند وضعیت سلامت ارگانیسم را نشان دهند. نمونه‌هایی از ردیابی شامل پاسخ ایمنی، افزایش سلول‌های سرطانی و بهبود زخم پس از آسیب است.

این گروه پژوهشی امیدوار با استفاده از هوش مصنوعی در ارزیابی‌های خود از تصویربرداری سلولی، تجزیه و تحلیل تصویر سلولی را بهبود بخشد.

امروزه با استفاده از علوم کامپیوتر و زیرمجموعه‌های هوش مصنوعی به نام پژوهش‌های تحقیقاتی می‌توان این روش‌ها را برای تشخیص آنالیز سلولی ترکیب‌کننده انجام داد.

تقسیم بندی، ردیابی و طبقه بندی تصویر سلولی

این مطالعه همچنین به اختلال یا نویز برچسب می‌کند که در آن خطای انسانی باعث می‌شود تصاویر آموزشی سلول‌ها به اشتباه تعبیر شوند.

پژوهشگران در مورد استفاده از تجزیه و تحلیل و تحلیل تصویر سلولی به چند چالش اشاره می کنند. آنها می‌گویند: بیان، یک تجربه باورنکردنی را برای تجزیه و تحلیل تصویر سلولی نشان می‌دهد. با این، شکاف عملکرد قابل توجه بین الگوریتم‌های حال حاضر در پژوهش‌های دانشگاهی و کاربردهای عملی وجود دارد. بزرگترین چالش، مربوط به داده‌ها، به ویژه کیفیت آنها، کمیت و قابلیت اطمینان داده‌ها است.

پیامدهای فنوتیپی به ویژگی های قابل مشاهده در ساختار سلول اشاره دارد.

تجزیه و تحلیل اصلی و تحلیل تصویری سلولی و استفاده از هوش مصنوعی برای پژوهش

با استفاده از الگوریتم‌های بر روی یادگیری برای خودکار کردن روش‌های تصویربرداری سلولی، از روش‌های مختلف استفاده می‌شود که می‌توان آن را انجام داد و طول کشید. هدف اصلی و تجزیه و تحلیل تصویر سلولی، بررسی فناوری‌های مختلف و کشف روابط بین آنها است.

اولین عامل محدود کننده، هزینه جمع آوری مجموعه ها با رشد است. پژوهش می‌گویند یک نسخه در بزرگ‌ترین نسخه از مجموعه داده‌ها را تهیه می‌کند، زیرا باید دقت کنید که هر تصویر را باید برچسب گذاری کنید.

سومین ذکر شده، تجزیه و تحلیل و تحلیل تصویر سلولی از عدم قطعیت نام دارد. این می‌تواند منجر به مشکل شود، زیرا شبکه‌های عصبی مصنوعی هوش مصنوعی نمی‌توانند فنوتیپ‌های جدید را بدون روشی برای انعکاس قابلیت اطمینان نتایج طبقه بندی شناسایی کنند.