به گزارش پایگاه اطلاع رسانی بنیان، محققان یک روش جدید یادگیری ماشینی را ابداع که قادر به شمارش سلول‌ها به منظور تشخیص بیماری است. اگرچه یادگیری ماشینی (ML) به دقیق‌تر و کم‌هزینه‌تر کردن شمارش سلول‌های خونی کمک کرده است، اما به دلیل نیاز به حاشیه‌نویسی دستی زیاد توسط انسان برای آموزش مدل، زمان‌بر بوده است. از سوی دیگر، محققان دانشگاه Benihang یک روش آموزشی جدید ایجاد کرده‌اند که بسیاری از این کارها را حذف می‌کند.
هدف روش ML با قابلیت شمارش سلول‌ها حذف نیاز به انسان است. نتایج این مطالعه در مجله Cyborg and Bionic Systems منتشر شد. تعداد و نوع سلول‌های خونی و شمارش آن‌ها در پیش بینی بیماری بسیار مهم است. با این حال، تکنیک‌های آنالیز سلولی برای شمارش سلول‌های خونی که از تشخیص و اندازه‌گیری ویژگی‌های فیزیکی و شیمیایی سلول‌های معلق در مایع استفاده می‌کنند، زمان‌بر هستند و به آماده‌سازی‌های پیچیده نیاز دارند. بدتر از آن، ماشین‌های آنالایزر سلولی به دلیل عوامل خارجی مانند دما، pH، ولتاژ و میدان مغناطیسی که ممکن است با تجهیزات تداخل داشته باشند، دقت محدودی دارند. به طور خلاصه، هدف محققان ایجاد یک روش ML با قابلیت شمارش سلول‌ها بوده است. به این ترتیب، هم مشارکت انسان کاهش می‌یابد و هم تخمین‌ها بسیار دقیق تر خواهند بود.

روش ML که قادر به شمارش سلول‌ها است، با هدف از بین بردن دخالت انسان تا حد امکان انجام می‌شود. شبکه‌های عصبی کانولوشنال (CNN) برای شناسایی سلول‌ها در عکس‌هایی که تنها شامل یک نوع سلول هستند، استفاده شده‌اند. با این حال، هنگامی که روی تصاویر با انواع سلول‌ها اعمال می‌شود، عملکرد نسبتاً ضعیفی دارند. بنابراین، برای رفع به این موضوع، محققان به CNN ها روی آورده اند. برای شناسایی یک سلول، CNN ابتدا بب ماشین باید «آموزش داده شود» تا تشخیص دهد که چه چیزی در هزاران تصویر از سلول‌هایی که انسان‌ها برچسب‌گذاری کرده‌اند، وجود دارد. سپس سلول‌ها را در یک تصویر جدید و ناشناس تشخیص می‌دهد و می‌تواند شمارش کند. الگوریتم‌های مرسوم به طور خودکار تصاویر تک سلولی را با کاهش نویز، بهبود کیفیت و تشخیص اشکال اشیاء در عکس‌ها "پیش پردازش" می‌کنند. پس از آن، آن‌ها تقسیم بندی تصویر تطبیقی را اجرا می‌کنند. این تکنیک اخیر، سایه‌های مختلف خاکستری را در یک تصویر سیاه و سفید تعیین می‌کند و هر چیزی را که خارج از سطح خاکستری مشخصی قرار می‌گیرد، در صورتی که بیش از نیمی از مساحت آن در این آستانه باشد، به عنوان یک جسم متمایز از هم جدا می‌کند. جنبه تطبیقی این رویکرد این است که به جای تقسیم تصویر به قطعات بر اساس یک آستانه خاکستری خاص، این کار را بر اساس ویژگی‌های local انجام می‌دهد.
محققان از یک تحلیل کننده سلولی معمولی بر روی همان نمونه‌های خون برای ارزیابی استراتژی تمرینی خود استفاده کردند. آن‌ها شمارش سلولی مستقل را برای مقایسه آن با روش جدید خود انجام دادند. طرح آموزشی تقسیم‌بندی تصاویر چند سلولی آن‌ها دارای دقت 94.85 درصدی است که با دقتی که با یادگیری از تصاویر چند سلولی برچسب‌گذاری شده دستی به دست می‌آید، قابل مقایسه است.
این روش ممکن است در مدل‌های پیچیده‌تر برای مقابله با مسائل بخش‌بندی پیچیده استفاده شود. هدف محققان توسعه یک الگوریتم کاملاً خودکار برای آموزش مدل‌های یادگیری ماشینی بر اساس تکنیک آموزشی جدید است که همچنان شامل درجاتی از حاشیه‌نویسی دستی است. 
پایان مطلب/
لینک منبع:
https://spj.sciencemag.org/journals/cbsystems/2022/9842349/