Mặc dù học máy (ML) đã giúp làm cho số lượng tế bào máu chính xác hơn và ít tốn kém hơn, tuy nhiên, nó vẫn tốn nhiều thời gian do con người cần nhiều chú thích thủ công để huấn luyện mô hình. Mặt khác, các nhà nghiên cứu tại Đại học Benihang đã phát triển một phương pháp đào tạo mới giúp loại bỏ phần lớn công việc này.
Phương pháp ML có khả năng đếm tế bào nhằm mục đích loại bỏ sự tham gia của con người
Vào tháng Tư 9nhà nghiên cứu chương trình đào tạo mới của Ambionic được phát hành phát hiện của họ trên tạp chí Hệ thống Cyborg và Bionic.
Số lượng, loại tế bào máu và số lượng của chúng rất quan trọng trong việc dự đoán bệnh. Tuy nhiên, kỹ thuật phân tích tế bào để đếm tế bào máu sử dụng việc phát hiện và đo lường các đặc tính vật lý và hóa học của tế bào lơ lửng trong chất lỏng tốn nhiều thời gian và cần sự chuẩn bị phức tạp. Tệ hơn nữa, máy phân tích tế bào có độ chính xác hạn chế do các yếu tố bên ngoài như nhiệt độ, pH, điện áp và từ trường có thể gây nhiễu cho thiết bị. Nói tóm lại, các nhà nghiên cứu đã nhắm đến việc phát triển một phương pháp ML có khả năng đếm tế bào. Bằng cách này, sự tham gia của con người sẽ giảm đi và ước tính sẽ chính xác hơn nhiều.
Nhiều nghiên cứu về các giải pháp thay thế kỹ thuật xét nghiệm máu hiện tại gần đây đã tập trung vào việc “phân đoạn” các bức ảnh được chụp bằng máy ảnh có độ phân giải cao được kết nối với kính hiển vi bằng chương trình máy tính. Phân đoạn đòi hỏi các thuật toán đếm số lượng ô trong một hình ảnh, được gọi là đếm pixel.
Mạng thần kinh tích chập (CNN) đã được sử dụng để xác định các ô trong ảnh chỉ bao gồm một loại ô duy nhất. Tuy nhiên, khi áp dụng cho những bức ảnh có nhiều loại ô, chúng hoạt động khá kém. Vì vậy, để giải quyết vấn đề, các nhà nghiên cứu đã chuyển sang sử dụng CNN, một loại máy học tái tạo kiến trúc kết nối vỏ não thị giác của con người.
Để xác định một tế bào, CNN trước tiên phải được “huấn luyện” để nhận ra đâu là tế bào và không phải là tế bào trên hàng nghìn hình ảnh về tế bào mà con người đã dán nhãn. Sau đó, nó nhận dạng và có thể đếm các ô trong một hình ảnh mới, không xác định.
Quảng Đông Zhan, đồng tác giả của bài báo và giáo sư tại Khoa Cơ khí và Tự động hóa tại Đại học Beihang, giải thích: “Nhưng việc dán nhãn thủ công như vậy rất tốn công sức và tốn kém, ngay cả khi được thực hiện với sự hỗ trợ của các chuyên gia”. một giải pháp thay thế được cho là đơn giản và rẻ hơn so với máy phân tích tế bào.”
Vì vậy, các nhà nghiên cứu tại Đại học Beihang đã tìm cách cải thiện mô hình U-Net, đây là mô hình phân đoạn mạng tích chập hoàn chỉnh đã được sử dụng rộng rãi trong phân đoạn hình ảnh y tế kể từ khi nó được phát triển lần đầu tiên vào năm 2015. Gần đây, chúng tôi đã biết rằng hệ thống ML có thể phát hiện các trận động đất chết người một cách nhanh chóng.
CNN lần đầu tiên được huấn luyện trên một tập hợp lớn hàng nghìn hình ảnh chỉ chứa một loại tế bào (máu chuột).
Các thuật toán thông thường sẽ tự động “xử lý trước” các ảnh loại đơn ô bằng cách giảm nhiễu, cải thiện chất lượng và phát hiện hình dạng của các vật thể trong ảnh. Sau đó, họ thực hiện phân đoạn hình ảnh thích ứng. Kỹ thuật sau này xác định các sắc thái khác nhau của màu xám trong ảnh đen trắng và tách bất kỳ thứ gì nằm ngoài mức xám nhất định thành một đối tượng riêng biệt nếu nó có hơn một nửa diện tích nằm trong ngưỡng này. Khía cạnh thích ứng của phương pháp này là thay vì chia hình ảnh thành các phần dựa trên ngưỡng màu xám cụ thể, nó lại dựa trên các đặc điểm cục bộ.
Mô hình U-Net được tinh chỉnh sau khi cung cấp tập huấn luyện loại ô đơn, sử dụng một bộ sưu tập nhỏ các hình ảnh được gắn nhãn thủ công của các loại ô khác nhau. Ngược lại, so với phiên bản trước yêu cầu con người phải dán nhãn hàng nghìn hình ảnh thì phiên bản này chỉ yêu cầu 600 hình ảnh.
Các nhà nghiên cứu đã sử dụng máy phân tích tế bào thông thường trên cùng mẫu máu chuột để đánh giá chiến lược huấn luyện của chúng. Họ đã thực hiện đếm tế bào độc lập để so sánh với phương pháp mới của họ. Họ phát hiện ra rằng việc phân đoạn chương trình đào tạo hình ảnh nhiều loại ô của họ có độ chính xác 94,85%, tương đương với kết quả thu được khi học từ các hình ảnh nhiều loại ô được gắn nhãn thủ công.
Phương pháp này có thể được sử dụng trên các mô hình phức tạp hơn để giải quyết các vấn đề phân đoạn phức tạp. Các nhà nghiên cứu đặt mục tiêu phát triển một thuật toán hoàn toàn tự động để đào tạo các mô hình học máy dựa trên kỹ thuật đào tạo mới, vẫn liên quan đến một số mức độ chú thích thủ công. Ngành y tế không phải là lợi ích duy nhất của hệ thống máy học. Ví dụ: các nhà nghiên cứu đã sử dụng ML để phát hiện các bài đánh giá của Người dùng độc hại chuyên nghiệp (PMU).
