1년 전에 심층 신경망 기반 이미지 분석 방법인 TruAI 기술을 cellSens 이미징 소프트웨어 및 scanR 대용량 스크리닝 스테이션 같은 대중적인 생명과학 솔루션에 도입하였습니다. 이제 한 해 동안 인공 지능(AI)을 활용한 생명과학 연구에서 학습한 내용을 소개하려고 합니다 .
유럽분자생물학실험실(EMBL)에서의 2020년 1월 Olympus의 scanR 딥 러닝 사용자 워크숍 회고.
다음은 성공적인 연구 프로젝트의 비결이 된 AI에 대한 교훈입니다.
1. 전문가가 볼 수 있는 것은 TruAI 기술도 볼 수 있습니다
TruAI 기술을 이용하여 해결될 수 있는 분석 문제가 어느 것이고 기타 도구가 필요할 수 있는 분석 문제가 어느 것인지 신뢰할 만하게 판단하는 데는 경험이 필요하지만, 경험 법칙은 간단합니다. 연구 전문가가 이미지의 흥미로운 부분을 발견할 수 있는 경우, TruAI 기술도 그것을 발견할 수 있습니다.
이것은 모든 세포나 핵 또는 특정 유형의 모든 조직을 찾는 것 같이 간단한 작업에 딱 들어맞습니다. 또한 다른 종류의 세포, 세포 상태 또는 조직 유형의 구별 같이 보다 높은 단계의 작업에도 해당합니다.
최적 조건에서 TruAI 기술은 사람 눈이 검출 한계에 도달하는 경우 분할이나 구별로 인간 수행을 능가할 수 있습니다.
전용 TruAI 분석 모델이 처리할 수 있는 다양한 이미지 분할 작업.
2. 간단한 이미징 문제에는 간단한 솔루션이 필요합니다.
TruAI 기술로 처리하기에 비교적 쉬운 이미지 분석 작업에는 간단한 준비 단계만 필요합니다.
직면할 수 있는 간단한 문제의 예를 들면 동일한 현미경으로 획득된 명시야 이미지의 유사분열 세포를 검출하는 것입니다. 이 경우 샘플 준비가 표준화되어 있기 때문에 이미지는 품질상 많이 다르지 않습니다.
또는 다음 예를 고려합니다. 명확한 가시적 특징이 있는 대부분의 형광 이미지들은 소수 이미지(즉 소수 시야)의 간단한 수동 표지가 필요합니다. 이것은 TruAI 기술이 새로운 모든 이미지들에 즉시 적용될 수 있는 좋은 분석 모델을 교육하도록 충분한 예제를 제공하기에 충분합니다.
Olympus의 AI 주도 소프트웨어는 교육이 빠르게 시작될 수 있도록 간단하고 직관적인 사용자 인터페이스를 제공하여 예제 이미지의 생산적 및 효율적 표지를 촉진합니다. 사실상 몇 분 내에 교육을 위한 새 분석이 설정될 수 있습니다.
빠른 교육 중에, 정상화 및 데이터 증강 같은 내부 최적화는 교육이 제공된 예를 최적으로 활용하는지 확인합니다. 그 결과, 표지 노력이 최소화되고 AI 모델은 강력하게 됩니다.
TruAI 기술을 이용한 유사분열 세포의 예측(녹색).
다음 리소스에서 관련 응용 사례를 확인할 수 있습니다. 딥 러닝 기반의 TruAI을 사용하여 정확하고 효율적인 현미경 검사 이미지 분석 수행
3. 간단하지 않은 이미징 문제에는 고급 솔루션이 필요합니다.
미시 세계는 복잡하며 현미경 이미지도 복잡합니다. 배양 단계에서 각기 다른 단계, 다른 샘플 근원, 다른 샘플 매개체 또는 다른 현미경에서 나온 이미지들은 이미지 특징 면에서 크게 다를 수 있습니다.
예를 들어 배경, 대비, 세포밀도, 표지 및 밝기의 차이는 정량적 분석의 문제를 야기할 수 있습니다.
그러면 이미지 데이터에서 이러한 모든 실제 차이에 대한 TruAI 분석을 강건하게 만드는 솔루션은 무엇인가요? 분석 모델의 교육에 다양한 조건의 예를 포함시키는 것입니다.
AI 주도 소프트웨어는 자체학습 현미경 도구세트를 사용하여 우수한 일반화 속성을 가진 매우 강건한 모델을 손쉽게 교육하도록 생산적인 방법을 제공합니다. 다음은 응용의 예입니다.
TruAI 기술을 이용한 쥐 콩팥 부분에 대한 사구체 위치의 예측.
인상적인 강건함: 명시야 조건이 의도적으로 최악의 시나리오로 설정된 경우에도 명시야의 세포 검출이 신뢰할 만하게 작동됩니다.
다음 최신 애플리케이션 노트도 확인해보시기 바랍니다. 자체학습 현미경용 scanR TruAI를 통한 무표지 트렌스마이그레이션 분석
4. 데이터가 많을수록 (거의) 항상 더 좋습니다.
TruAI 기술에 사용된 기본 신경망의 학습 용량은 매우 큽니다. 즉 엄청난 양의 예를 이용할 수 있으며 추가된 데이터는 교육된 모델을 이전보다 훨씬 더 좋게 만듭니다.
교육된 분석 모델과 관련하여 어려운 문제나 한계에 직면하게 된 경우 이를 개선하기 위한 가장 좋은 방법은 거의 항상 다음과 같습니다. 더 많은 예의 데이터로 교육을 제공하는 것입니다. 제공된 예가 인간 전문가에 의해 표지되는 경우 소프트웨어는 데이터를 자동으로 증가시키므로 표지된 각 객체는 교육을 위한 다수의 예를 제공합니다.
자체학습 워크플로는 더 많은 샘플을 교육에 포함시키는 것을 거의 손쉽게 하며 궁극적으로 분석의 감도 및 특이성을 이전에 알려지지 않은 수준으로 높입니다.
신경망의 교육을 보여주는 개략도.
5. 확인이 신뢰의 비결입니다.
모든 신경망은 블랙박스입니다. 즉 예를 통해 신경망을 교육시키면 신경망은 이를 학습하여 뛰어난 결과의 분석을 수행합니다. 문제는 이 신경망이 정확히 어떤 정보를 이용하여 결과를 제공하는지 알지 못한다는 점입니다.
결과를 맹목적으로 신뢰할 경우 이러한 불확실성이 예상치 못한 결과로 이어질 수 있다는 것이 과학 매체나 문헌을 통해 잘 알려진 사실입니다.
AI 분석에 신뢰를 확립하는 비결은 확인입니다. 한 이미지에서 모든 세포를 찾는 것 같이 간단한 응용에서 분할이 잘못된 경우는 즉시 분명하게 되지만, 고급 자동화 분석에서 답은 더 미묘할 수 있습니다.
이 때문에 교육된 TruAI 모델을 확인하기 위한 철저한 도구세트를 만들었습니다. 교육 중에 데이터 분할은 순수 데이터(즉 교육 자체를 위해 사용되지 않은 데이터)에 대해 결과의 품질이 자동으로 테스트되는지 확인하는 데 도움이 됩니다.
강한 신뢰 분석을 위해 훨씬 더 중요한 것은 다양한 테스트 데이터에 대한 독립적인 시험 및 확인입니다. 제공된 도구는 거대한 데이터에서 예측 신뢰의 효율적 심층 분석 및 허위양성/허위음성 분석을 손쉽게 지원합니다.
각기 다른 초저도의 빛에서 TruAI DNA 염색 세포 주기 분석의 확인은 신뢰 한계를 명확히 보여줍니다.
관련 콘텐츠
딥 러닝 기반의 TruAI을 사용하여 정확하고 효율적인 현미경 검사 이미지 분석 수행
