TruAI™ 딥 러닝 기술을 사용한 쥐 뇌 부분의 C-Fos 양성 뉴런 정량화

인공 지능(AI)의 발전—머신 러닝에서 딥 러닝으로

“인공 지능”이라는 용어는 연구 및 기술 개발의 능력을 크게 증대할 수 있는 미래 기술이라는 아이디어와 오랫동안 관련되어 왔습니다. 인공 지능은 1950년대부터 있었으며, 처음 등장한 이래로 다방면에서 활용되어 왔습니다. 간추려 말하자면, 인공 지능(AI)이란 기계가 인간 지능을 모방하는 기술을 모두 일컫습니다. AI는 “머신 러닝”이라는 고급 기술로 더 세밀하게 분류할 수 있습니다. 머신 러닝은 통계적 방법을 사용하여 기계가 명시적인 프로그래밍 없이 데이터에서 작업을 학습할 수 있도록 하는 기술입니다. AI의 가장 발전된 형태는 “딥 러닝”이라고 하며, 딥 러닝은 복잡한 데이터 집합에서 표현과 작업을 직접 학습할 수 있는 많은 레이어가 포함된 신경망을 사용합니다. 딥 러닝은 영상 분류에서 인간의 정확도를 자주 능가할 정도로 크게 발전했습니다.

그림 1. 인공 지능 개발 타임라인.

딥 러닝 AI를 현미경 관찰에 적용하기

AI, 특히 딥 러닝은 연구원이 데이터에 대한 충실한 분석을 더 정확하고 신속하게 수행할 수 있도록 현미경 관찰에 쉽게 적용할 수 있습니다. Olympus TruAI™ 기술의 신경망은 복잡하거나 까다로운 데이터 집합을 분석할 수 있도록 개체 분할 기술의 적응성이 높은 합성곱 신경망입니다. 이 신경망은 다양한 유형의 입력 데이터나 증거를 평가하고 해당 데이터에 대한 결정을 내릴 수 있습니다. 보통 이 작업은 수동으로 수행할 때 잠재적인 인간 편향의 여지가 있습니다. 이 애플리케이션 노트는 TruAI 기술이 쥐 뇌에 있는 c-Fos 양성 뉴런의 자동 분할 분석에 어떤 이점이 있는지 실제 예시를 보여주며, 특히 발전이 미흡한 AI 도구와 비교합니다.

실험 개요—신경 발생 중단의 전신적 결과에 대한 평가

이 실험에서 연구원은 신경 발생 중단의 전신적 결과를 평가하기 위해 뇌의 해마 영역(기억과 학습을 담당하는 뇌 영역)에서 c-Fos 양성 뉴런의 발현을 정량화했습니다. C-Fos는 원종양 유전자로, 이 유전자의 발현은 뉴런 활동에 대한 표식으로 사용할 수 있습니다. 기존의 강도/형태 측정 분할 방법은 강력한 데이터 집합을 생성하는 데 효과적이거나 효율적이지 않습니다. 데이터 집합이 다양한 수준의 배경을 비롯하여 수동 분석 시도를 복잡하게 만드는 표적 강도 수준을 표시하므로(그림 2) 거짓 양성을 없애기 위해 시간이 많이 드는 결과 검토가 필요하기 때문입니다.

그림 2. 분할 분석이 필요한 데이터 집합 유형의 예: c-Fos 프로모터에서 tdTomato를 발현하는 형질전환 쥐의 전체 해마 영역 스티칭 이미지(왼쪽)와 c-Fos 신호의 가변성 및 스티칭 이미지 내의 이미지 배경 수준을 보여주는 개별 이미지(오른쪽). 1 AU의 2배 줌 및 10X SAPO로 획득한 1k × 1k Z 스택 이미지.

C-Fos 양성 뉴런의 발현을 식별하기 위한 TruAI 신경망 훈련

TruAI 기술의 신경망(NN) 훈련 프로토콜에는 추가 식별과 분석을 위해 실측 자료를 설정하는 “훈련” 데이터 집합이 우선 필요합니다. 이 실측 자료는 원시 데이터의 사용자 주석을 기반으로 하거나 cellSens 소프트웨어의 강도/형태 측정 임계값 및 분할 기능으로 자동 생성할 수 있습니다. 이 초기 데이터를 입력하면, TruAI 신경망은 사용자의 추가 입력을 요구하지 않고 반복적인 훈련 기간 동안 실험 데이터 집합을 학습 및 활용합니다. 이 실측 자료 설정으로 TruAI 신경망은 비실제(비표적)와 대비해 실제(표적)에 수렴할 수 있게 됩니다. 이 실험에서는 다양한 수준의 c-Fos 발현을 포함하는 8개의 데이터 집합을 사용하여 TruAI 신경망을 훈련했습니다(그림 3). 데이터 집합을 기반으로, TruAI 신경망은 40,000번의 반복으로 구성된 강력한 훈련을 수행하여 모든 후속 이미지 분석에 사용할 신경망을 생성했습니다. 반복 훈련 과정 중에는 초기 훈련 집합에서 선택된 검증 이미지를 모니터링하고 이를 비교에 사용했습니다.

그림 3. TruAI 신경망(NN) 생성에 사용된 훈련 데이터 집합: 개체(빨간색)와 배경(회색)을 구별하여 표시하기 위해 8개의 데이터 집합을 다양한 수준의 표현으로 사용했습니다.

데이터 집합의 일괄 분석을 위한 TruAI 신경망 사용

훈련된 TruAI 신경망을 생성한 후, 나머지 데이터 집합의 일괄 처리와 분석에 사용했습니다. 그림 4는 생성된 TruAI 신경망을 사용한 확률 맵 및 후속 분할의 분석을 보여줍니다. 데이터 집합을 TruAI 신경망으로 확률 계층에 따라 분할하고 cellSens의 자동 분할 및 분류 알고리즘을 자동으로 실행하여 평균 강도, 합계 강도, 면적에 따라 c-Fos 양성 세포의 정량적 메트릭을 산출했습니다. cellSens 소프트웨어의 매크로 관리자 기능 덕분에 나머지 데이터 집합을 모두 일괄 처리할 수 있었습니다.

그림 4. 임계값 및 분할에 신경망사용하기: FV3000 현미경으로 획득한 c-Fos 양성 세포의 이미지(왼쪽), 신경망으로 생성한 c-Fos 양성 세포의 확률 맵(가운데), 확률 계층에 따른 c-Fos 양성 세포의 분할(오른쪽). 데이터는 평균 강도, 합계 강도, 면적에 따라 자동 분할 및 분류되었습니다.

앞서 언급했듯이, 영상 분석에 딥 러닝 기술을 사용할 때의 이점은 다른 AI 프로그램보다 더 강력한 개체 식별이 가능하다는 것입니다. 이 실험에서 TruAI 딥 러닝 기술은 8개의 데이터 집합을 사용했는데, 이는 나머지 데이터 집합을 추가 분석하는 신경망을 생성하기 위해 40,000번의 반복을 거친 결과물입니다. 이렇게 강력한 훈련 프로토콜을 사용할 때의 이점은 이미지가 이상적이지 않을 때(예: 배경이 높고 표적 발현이 낮은 경우) 신경망이 개체를 더 정확하게 식별할 수 있다는 것입니다. 이 이점은 그림 5에 나타나 있습니다. 여기서는 TruAI 신경망의 성능을 단 하나의 훈련 데이터 집합을 기반으로 덜 엄격하게 훈련된 신경망과 비교했습니다. 더 높은 수준의 발현에서는 두 알고리즘 모두 동일한 수의 세포를 식별했습니다. 그러나 매우 낮은 수준의 발현에서는 덜 엄격하게 훈련된 신경망이 c-Fos 양성 세포의 수를 거의 두 배로 과대평가했으며, 이 평가는 실험에서 도출된 결론에 큰 영향을 미칠 수 있습니다. TruAI 딥 러닝 기술은 다양한 수준의 배경과 c-Fos 강도를 성공적으로 처리했으며, 데이터를 수동으로 감사하여 거짓 양성을 제거할 필요 없이 더 정확한 결과를 제공합니다.

그림 5. 덜 엄격하게 훈련된 신경망과 TruAI 신경망의 c-Fos 양성 식별 비율 비교. 주황색 막대는 덜 엄격하게 훈련된 신경망(2,000번의 반복을 사용하여 하나의 데이터 집합에서 나옴)을 나타내고, 파란색 막대는 TruAI 신경망 (40,000번의 반복을 사용하여 8개의 데이터 집합에서 나옴)의 결과를 보여줍니다.

연구원 Jonathan Epp 박사(캘거리대학교)의 견해

AI 접근 방식이 과학적 연구에 도움이 된다고 생각하는 요인이 몇 가지 있습니다. 이러한 유형의 시스템을 다룰 때 중요한 점 한 가지를 계속해서 이야기하게 되는데, AI는 이미지를 정량화할 때 실험자의 편향을 없앨 수 있습니다. 어떤 이유로든 실험 조건을 무시할 수는 없지만 우리는 실제 실험 조직에서 무엇이 표지 세포인지를 정하지는 않기 때문입니다. 편향과는 별개로, 여러 실험자와 실험실 실험 간의 변동성을 줄이고 데이터의 재현성을 궁극적으로 높일 수도 있습니다. 저는 이러한 유형의 접근방식이 오늘날 과학을 괴롭히는 재현성 문제를 해결하는 데 도움이 되는 중요한 방법이라고 생각합니다.

감사의 글

이 애플리케이션 노트는 다음 연구원의 도움을 받아 작성되었습니다.
Jonathan Epp 박사, 캘거리대학교