La cantidad de imágenes (QPI) es una técnica de microscopía que se usa ampliamente para investigar células y tejidos. Aunque se han desarrollado las primeras aplicaciones biomédicas basadas en QPI, tanto la velocidad como los estándares de imagen deben mejorar el aumento de la garantía de recepción generalizada. Helimultz Zentemers Dresde Rosondorf (HZDR), así como científicos del Centro de Independencia de Sistemas Avanzados (CASU) con sede en Griltz en el Imperial College London y University College London. Al emplear un modelo de IA generativo, solo se necesita una exposición para lograr los criterios de fotos necesarios para hacer que el QPI sea atractivo para las aplicaciones en Biomedic.
El equipo organizó la 39ª Conferencia Anual sobre AI a fines de febrero, organizada por la Asociación para el Avance de AIA (AAII) en Filadelfia (EE. UU.) Este año. El documento relevante de la conferencia de revisión por pares estará disponible a fines de marzo.
El etiquetado de las muestras biológicas con colores u otros agentes muestra ideas valiosas. Pero hay algunas desventajas de este enfoque que obstruyen su uso generalizado en el diagnóstico clínico: esta vez requiere demanda y bienes costosos, así como de reasignos. La investigación realizada en los últimos años se centra en métodos de microscopía libres de etiquetas como QPI. Aquí, la inmensidad de la luz no solo es de interés a través de la muestra. Utilizando información dispersa, el QPI también atrapó cómo la muestra cambia la fase de la luz de paso, un cambio que dirige su grosor, reflejos y otras propiedades estructurales. Si bien el QPI también necesita muchos productos caros, el QPI computacional no.
El más destacado es resolver la igualdad del transporte de severidad (TIE) en el enfoque de CHPI de la competencia. Esta ecuación distinguida permite calcular una imagen de la muestra basada en los cambios en la etapa grabada. El enfoque es fácil de integrar en la configuración actual del microscopio óptico y da como resultado imágenes de buena calidad. En el lado negativo, el procedimiento de TIE a menudo requiere muchas adquisiciones con diferentes distancias de enfoque para deshacerse de las antigüedades. Tratar con las pilas de enfoque puede exigir tiempo y técnicamente, por lo que este tipo de QPI basado en la corbata a menudo no es posible en el entorno clínico.
Para usar obstrucción del color
“Nuestro punto de vista depende de principios similares como un empate, pero solo se necesita una imagen debido a la inteligente combinación de física y IA generativa”, el líder del grupo Gater de Kassis Young Investigation y el autor relevante de la obra presentada en la Conferencia AAAI, el profesor Artor Yakimovich. La información sobre el cambio de fase a través de muestras biológicas no proviene de exposiciones adicionales con otra distancia de enfoque. Gracias a una tendencia llamada cromática Ibrion, también se puede crear una pila de zorro con la misma exposición. La mayoría de los sistemas de lente del microscopio (poliumático) no pueden llevar todas las longitudes de onda de la luz blanca al mismo punto de conversión, una discapacidad que solo la lente más experta puede corregir. Esto significa que la luz roja, verde y azul (RGB) en la luz. “Al registrar los cambios de fase de estas tres longitudes de onda por separado utilizando el detector RGB tradicional, se puede crear una pila de enfoque, lo que ayuda a convertir QPI computacional en un activo”.
“El uso de barreras de color para comprender el QPI es un desafío: la distancia entre el Fox de Luz Roja y el enfoque de luz azul es muy pequeña”, dice Gabriel Della Magyura, uno de los estudiantes de doctorado de Kos y dos autores principales de la publicación. Resolver el empate de manera estándar no da resultados significativos. “Luego argumentamos que podríamos usar la inteligencia artificial. Como salió, este pensamiento resultó ser decisivo”. “Con una capacitación en modelo de IA generador, un datos de acceso abierto que incluye 1.2 millones de imágenes, incluidas 1.2 millones de imágenes, lograron recuperar la información de fase modelo, aunque la grabación se basa en una entrada de datos muy limitada”.
Verificado en una muestra clínica real del mundo
El equipo desarrolló un modelo de IA generativo para la mejora de la calidad de imagen presentada la primavera pasada: modelo de extensión variable condicional (CVDM). Pertenece a una familia especial de modelos de IA de la raza que es un modelo anónimo. Los desarrolladores enfatizan que la capacitación de CVDM necesita un esfuerzo computacional significativo que el entrenamiento para otros modelos, mientras que los resultados son los mismos o incluso mejores. Al utilizar la estrategia CVDM, Della Maggiura y sus colegas desarrollaron un modelo novedoso que se aplica a los datos cuantitativos. Con la ayuda de este modelo, ahora finalmente lograron realizar la competencia QPI basada en obstáculos de color. Ellos, por ejemplo, verificaron su enfoque generativo basado en IA utilizando un microscopio de campo brillante común, que está disponible comercialmente con una cámara colorida para crear una imagen de microscopio del patrón clínico del mundo real: muestras urinarias humanas, mientras fabrican glóbulos rojos y usando un glóbulo rojo. No Una ventaja adicional era que la nueva imagen de fase cuantitativa basada en AI generativa era una ausencia virtual de muestras de nubes en las imágenes calculadas con diferentes tipos.
El grupo Yamooch desarrolla una nueva técnica computacional para la microscopía de “aprendizaje automático para infección y enfermedad” que se puede aplicar inmediatamente a entornos clínicos. El ejemplo potencial en el diagnóstico es enorme. Una de las técnicas utilizadas es la IA generativa. Dado que la IA generativa está en riesgo de engaño, uno de los enfoques principales de este grupo es reducirlos. Agregar elementos basados en física aquí es el punto de vista clave. Como se muestra el ejemplo de imagen de la fase cuantitativa basada en AI, este enfoque es muy prometedor.
