Die Durchführung des Mikrokernassays mit bildgebender Durchflusszytometrie überwindet viele Einschränkungen herkömmlicher Methoden, einschließlich niedrigem Durchsatz, Score-Variabilität und fehlender visueller Bestätigung von Ereignissen. Der Hauptvorteil dieser Technik besteht darin, dass alle Schlüsselereignisse mittels bildgebender Durchflusszytometrie erfasst und mit künstlicher Intelligenz analysiert werden können. Diese Methode hat das Potenzial, im groß angelegten Screening von Chemikalien und anderen Verbindungen eingesetzt zu werden, um Toxizität bei höherem Durchsatz als derzeit verfügbar zu testen.
Bei der Erstellung eines neuen KI-Modells besteht die größte Herausforderung darin, genügend Bilder von Zellen mit Mikrokernen zu erhalten, daher ist es wichtig, die Bild-Tagging-Algorithmen zu verwenden. Starten Sie zunächst die Software für künstliche Intelligenz oder KI. Klicken Sie unter Experimenttyp auf das Optionsfeld neben Trainieren, um ein Trainingsexperiment zum Erstellen des Convolutional Neural Network- oder CNN-Modells zu starten, und klicken Sie auf Weiter.
Klicken Sie bei den Klassennamen auf Hinzufügen. Geben Sie im Popup-Fenster Mononucleated ein und klicken Sie auf OK, um die einkernige Klasse zur Liste der Klassennamen hinzuzufügen. Wiederholen Sie diesen Vorgang, um die anderen Klassennamen hinzuzufügen, z. B. Mononukleiert mit MN, Zweikernig, Zweikernig mit MN, Mehrkernig und Unregelmäßige Morphologie.
Klicken Sie unter "Dateien auswählen" auf "Dateien hinzufügen" und suchen Sie nach den gewünschten Dateien, die der KI-Software hinzugefügt werden sollen, um die Ground-Truth-Daten zu erstellen. Suchen Sie als Nächstes auf dem Bildschirm Basispopulation auswählen die nicht-apoptotische Population aus der Populationshierarchie. Klicken Sie dann mit der rechten Maustaste auf die nicht-apoptotische Population, wählen Sie Alle übereinstimmenden Populationen auswählen und klicken Sie auf Weiter.
Um eine markierte Wahrheitspopulation von einkernigen Zellen mit Mikrokern zuzuweisen, klicken Sie links unter Modellklassen auf die Klasse Mononukleiert mit MN, und klicken Sie dann rechts auf die entsprechende markierte Wahrheitspopulation. Sobald alle entsprechenden Wahrheitspopulationen zugewiesen sind, klicken Sie auf Weiter. Stellen Sie auf dem Bildschirm Kanäle auswählen sicher, dass die geeigneten Kanäle für das Experiment ausgewählt sind.
Wählen Sie hier Hellfeld oder BF als Kanal eins, Herds für DNA als Kanal sieben und klicken Sie dann auf Weiter. Klicken Sie abschließend auf dem Bestätigungsbildschirm auf Experiment erstellen. Klicken Sie auf Tagging, um die Benutzeroberfläche des Tagging-Tools zu starten.
Klicken Sie dann auf die Zoom-Werkzeuge, um die Bilder zur einfacheren Anzeige zuzuschneiden. Klicken Sie auf den Schieberegler, um die Bildgröße anzupassen und die Anzahl der Bilder zu bestimmen, die in der Galerie angezeigt werden sollen. Klicken Sie auf die Option Anzeigeeinstellung und wählen Sie min-max, was das beste Kontrastbild zur Identifizierung aller Schlüsselereignisse bietet.
Klicken Sie anschließend auf Galerieanzeige einrichten, um die Farbe des DNA-Bildes in Gelb oder Weiß zu ändern, wodurch die Visualisierung kleiner Objekte verbessert wird. Klicken Sie auf Cluster, um den Algorithmus auszuführen und Bilder mit ähnlicher Morphologie zu gruppieren. Sobald das Clustering abgeschlossen ist, klicken Sie auf die einzelnen Cluster und beginnen Sie mit der Zuweisung von Bildern zu den entsprechenden Modellklassen.
Nachdem jeder Modellklasse mindestens 25 Objekte zugewiesen wurden, wird der Vorhersagealgorithmus verfügbar. Klicken Sie auf Vorhersage. Nachdem die Ausführung des Vorhersagealgorithmus abgeschlossen ist, fügen Sie den entsprechenden Modellklassen Objekte aus den vorhergesagten Klassen hinzu.
Sobald jeder Modellklasse mindestens 100 Objekte zugewiesen sind, klicken Sie oben auf dem Bildschirm auf die Registerkarte Training und dann auf die Schaltfläche Trainieren. Sobald das Modelltraining abgeschlossen ist, klicken Sie auf Ergebnisse anzeigen, um die Modellgenauigkeit zu bewerten. Sobald das Modelltraining abgeschlossen ist, klicken Sie auf die Menüschaltfläche, um ein neues Experiment zu definieren.
Klicken Sie unter Experimenttyp auf das Optionsfeld neben Klassifizieren, um ein Klassifizierungsexperiment zu starten, und klicken Sie auf Weiter. Klicken Sie auf das Modell, das für die Klassifizierung verwendet werden soll, und klicken Sie dann auf Weiter. Klicken Sie auf dem Bildschirm "Dateien auswählen" auf "Dateien hinzufügen".
Suchen Sie nach den Dateien, die nach dem CNN-Modell klassifiziert werden sollen, und klicken Sie dann auf Weiter. Klicken Sie als Nächstes auf dem Bildschirm Basispopulation auswählen auf das Kontrollkästchen neben der nicht-apoptotischen Population in einer der geladenen Dateien. Klicken Sie mit der rechten Maustaste auf die nicht-apoptotische Population, klicken Sie auf Select All Matching Populations, um diese Population aus allen geladenen Dateien auszuwählen, und klicken Sie dann auf Weiter.
Vergewissern Sie sich auf dem Bildschirm "Kanäle auswählen", dass Kanal eins für das helle Feld und Kanal sieben für die DNA-Färbung ausgewählt ist, und klicken Sie auf Weiter. Klicken Sie abschließend auf dem Bestätigungsbildschirm auf Experiment erstellen. Die KI-Software lädt das ausgewählte Modell und alle Bilder aus den ausgewählten Datendateien.
Klicken Sie nach dem Laden auf Fertig stellen. Klicken Sie anschließend auf Klassifizieren, um den Klassifizierungsbildschirm zu öffnen. Und verwenden Sie die Kontrollkästchen, um auszuwählen, ob Random Forest oder RF und CNN verwendet werden sollen.
Klicken Sie dann auf die Schaltfläche Klassifizieren. Dadurch wird der Prozess der Verwendung der RF- und CNN-Modelle gestartet, um zusätzliche Daten zu klassifizieren und alle Objekte zu identifizieren, die zu den angegebenen Modellklassen gehören. Sobald die Klassifizierung abgeschlossen ist, klicken Sie auf Ergebnisse anzeigen.
Klicken Sie auf die Schaltfläche DAFs aktualisieren, um das Fenster DAFs mit Klassifizierungsergebnissen aktualisieren aufzurufen, und klicken Sie dann auf OK, um die DAF-Dateien zu aktualisieren. Um den Bericht zu generieren, klicken Sie auf dem Ergebnisbildschirm auf Bericht generieren. Wenn ein individueller Bericht für jeden Eingangs-DAF erforderlich ist, aktivieren Sie das Kontrollkästchen neben Bericht für jeden Eingangs-DAF erstellen.
Andernfalls klicken Sie einfach auf OK, um die Berichte zu erhalten. Der KI-gestützte Cluster-Algorithmus gruppiert ähnliche Objekte innerhalb eines Segments entsprechend der Morphologie sowohl der nicht klassifizierten Objekte als auch der Objekte, die den Ground-Truth-Modellklassen zugewiesen wurden. Cluster mit mononukleären Zellen befinden sich auf der einen Seite der Objektkarte, während sich die mehrkernigen Zellen auf der gegenüberliegenden Seite befinden.
Zweikernige Zellcluster liegen zwischen ein- und mehrkernigen Zellclustern. Schließlich fallen Cluster mit unregelmäßiger Morphologie in verschiedene Bereiche der Objektkarte. Der Vorhersagealgorithmus ist robuster als der Clusteralgorithmus, wenn es darum geht, subtile Morphologien in Bildern zu identifizieren.
Zum Beispiel einkernige Zellen mit MN im Vergleich zu einkernigen Zellen ohne MN. Die Leistung des Modells kann mithilfe von Werkzeugen bewertet werden, einschließlich Klassenverteilungshistogrammen, Genauigkeitsstatistiken und einer interaktiven Konfusionsmatrix. In Histogrammen der Klassenverteilung gilt: Je näher die Prozentwerte zwischen der Wahrheit und den vorhergesagten Grundgesamtheiten liegen, desto genauer ist das Modell. In der Genauigkeitsstatistik gilt: Je näher diese Metriken an 100 % liegen, desto genauer ist das Modell bei der Identifizierung von Ereignissen in den Modellklassen.
Schließlich gibt die interaktive Konfusionsmatrix an, wo das Modell Ereignisse falsch klassifiziert. Die Genotoxizität wurde anhand des prozentualen Anteils der Mikrokerne durch Mikroskopie gemessen, der durch klare Balken angezeigt wurde, und die AI durch gestrichelte Balken nach einer 3-stündigen Exposition und einer 24-stündigen Erholung für Mannitol, Etoposid und Mitomycin C, wobei sowohl die Cytochalasin-B- als auch die Nicht-Cytochalasin-B-Methode verwendet wurden. Stellen Sie beim Erstellen eines Trainingsexperiments sicher, dass die geladenen Daten Bilddaten aus Positiv- und Negativkontrollproben enthalten.
Mikrokerne sind selten, und es sind ausreichende Bilder erforderlich, um ein genaues KI-Modell zu erstellen. Dieses Verfahren ermöglicht die Erstellung von KI-Modellen zur Analyse von Bildfluss-Mikrokerndaten in jedem Studienbereich, wie z. B. der Strahlenbiodosimetrie. Eine schnelle und robuste KI-basierte Methode zur Identifizierung von Mikrokernen könnte sich auf andere Anwendungen ausdehnen, wie z. B. die Quantifizierung von Mikrokernen, die das Risiko der Krebsentwicklung vorhersagen können.
