Quantificação de neurônios C-Fos-positivos em seções de cérebro de rato usando a tecnologia de aprendizagem profunda TruAI™

Avanços em inteligência artificial (IA): da aprendizagem de máquina à aprendizagem profunda

Há muito tempo, o termo “inteligência artificial” é associado à ideia de uma tecnologia futurista que pode aumentar muito as capacidades de pesquisa e o desenvolvimento tecnológico. A inteligência artificial existe desde os anos 1950s e tem sido usada de várias maneiras desde a criação. De maneira geral, a inteligência artificial (IA) se refere a qualquer técnica que permita que as máquinas imitem a inteligência humana. A IA pode também ser classificada em uma técnica mais avançada, chamada de “aprendizagem de máquina”, que emprega métodos estatísticos para permitir que as máquinas aprendam tarefas a partir de dados sem qualquer programação explícita. A forma mais avançada de IA é chamada de “aprendizagem profunda”, que usa redes neurais com muitas camadas capazes de aprender representações e tarefas diretamente a partir de conjuntos complexos de dados. A aprendizagem profunda se tornou tão poderosa que consegue muitas vezes superar os humanos na precisão de classificação de imagens.

Figura 1. Linha do tempo do desenvolvimento da inteligência artificial.

Aplicação de IA de aprendizagem profunda à microscopia

A IA e, mais especificamente, a aprendizagem profunda podem ser aplicadas com facilidade à microscopia para permitir que os pesquisadores produzam análises mais robustas dos dados com maior precisão e em menos tempo. As redes neurais da tecnologia TruAI™ da Olympus são redes neurais convolucionais que fornecem tecnologia de segmentação de objetos com alta adaptabilidade para analisar conjuntos de dados complexos e desafiadores. Essas redes podem avaliar vários tipos de dados ou evidências recebidas para tomar decisões, uma tarefa normalmente aberta às inclinações humanas quando realizada manualmente. Essa nota de aplicação demonstra um exemplo real de como a tecnologia TruAI beneficia a análise de segmentação automática de neurônicos c-Fos-positivos no cérebro do rato, especialmente em comparação com ferramentas de IA menos avançadas.

Visão geral do experimento: avaliação das consequências sistêmicas da interrupção da neurogênese

Nesse experimento, o pesquisador precisava quantificar a expressão de neurônios c-Fos-positivos na região do hipocampo do cérebro (a área responsável pela memória e aprendizagem) para poder avaliar as consequências sistêmicas da interrupção da neurogênese. O C-Fos é um proto-oncogene cuja expressão pode ser usada como marcador de atividade neuronal. Os métodos de segmentação morfométrica/de intensidade convencional não são eficazes ou eficientes para gerar conjuntos de dados robustos, pois os conjuntos de dados mostram vários níveis de fundo, além de níveis de intensidade alvo que complicam as tentativas de análise manual (Figura 2), o que exige auditorias demoradas dos resultados para remoção de falsos positivos.

Figura 2. Exemplo de tipos de conjuntos de dados que exigem análise de segmentação: imagem combinada de toda a região do hipocampo de um rato transgênico expressando tdTomato sob um promotor c-Fos (esquerda) e imagens individuais que ilustram a variabilidade do sinal do c-Fos, além dos níveis de fundo da imagem na imagem combinada (direita). Imagens com ampliação de foco 1k × 1k adquiridas com 10X SAPO e 2x zoom em 1 AU.

Treinamento da rede neural TruAI para identificar expressa C-Fos-positiva

O protocolo de treinamento da rede neural (NN) da tecnologia TruAI exige primeiro um conjunto de dados de “treinamento” que define a referência de verdade para identificação e análise posterior. Essa referência de verdade pode ser baseada na anotação de dados brutos pelo usuário ou gerada automaticamente pela função de limite e a segmentação morfométrica/de intensidade do software cellSens. A partir dessa entrada de dados inicial, a NN TruAI aprende e usa conjuntos de dados experimentais durante o período de treinamento iterativo em vez de solicitar mais dados do usuário. Esse estabelecimento da referência de verdade é o que permite a convergência da NN TruAI do que é real (alvo) em comparação com o que não é (não alvo). Nesse experimento, oito conjuntos de dados com vários níveis de expressão c-Fos foram usados para treinar a NN TruAI (Figura 3). Com base nesses conjuntos de dados, a NN TruAI executou um treinamento robusto que consistiu em 40.000 interações para gerar a NN que seria usada para a análise de imagens subsequentes. Durante o processo de treinamento iterativo, uma imagem de confirmação selecionada do conjunto inicial de treinamento, foi monitorada e usada para comparação.

Figura 3. Os conjuntos de dados de treinamento usados para geração da rede neural (NN) TruAI: oito conjuntos de dados foram usados com diferentes níveis de expressão para delinear o objeto (vermelho) em relação ao fundo (cinza).

Uso da rede neural TruAI para análise de conjunto de dados em lote

Depois de gerada, a NN TruAI foi usada para processamento e análise em lote dos conjuntos de dados restantes. A Figura 4 mostra o mapa de probabilidade e a análise de segmentação subsequente realizada com a NN TruAI resultante. O conjunto de dados foi segmentado com a NN TruAI com base na camada de probabilidade e executado automaticamente pelos algoritmos de divisão automática e classificação do cellSens para produzir métricas quantitativas das células c-Fos-positivas, baseadas em intensidade média, intensidade da soma e área. A função de Gerenciador de Macro no software cellSens permitiu processamento em lote dos conjuntos de dados restantes.

Figura 4. Uso da NN para definição de limites e segmentação: imagem adquirida pelo microscópio FV3000 de células c-Fos-positivas (esquerda), mapa de probabilidade de células c-Fos-positivas gerada pela NN (meio), e segmentação de células c-Fos-positivas com base na camada de probabilidade (direita). Os dados foram divididos automaticamente e classificados com base em intensidade média, intensidade da soma e área.

Como já mencionamos, o benefício de usar a tecnologia de aprendizagem profunda na análise de imagens é que ela permite identificação mais robusta de objetos do que outros programas de IA podem produzir. Neste experimento, a tecnologia de aprendizagem profunda TruAI usou oito conjuntos de dados executados por meio de 40.000 iterações para produzir uma NN para análise adicional dos conjuntos de dados restantes. A vantagem de usar esses protocolos de treinamento robustos é que eles permitem que a NN seja mais precisa na identificação de objetos quando a imagem está abaixo do ideal, por exemplo, o nível de fundo é alto e a expressão do alvo é baixa. A vantagem é exemplificada na Figura 5, em que o desempenho da NN TruAI foi comparada a uma rede treinada com menos rigor, baseada apenas em um conjunto de dados de treinamento. Em níveis mais altos de expressão, ambos os algoritmos identificaram o mesmo número de células. No entanto, em níveis mais baixos de expressão, a rede com treinamento menos rigoroso superestimou grosseiramente o número de células c-Fos-positivas em quase o dobro, o que afetaria significativamente as conclusões tiradas do experimento. A tecnologia de aprendizagem profunda TruAI teve sucesso ao lidar com níveis variados de fundo e intensidade de c-Fos para oferecer resultados mais precisos sem necessidade de auditoria manual dos dados para remover falsos positivos.

Figura 5. Comparação das taxas de identificação de c-Fos-positivo entre uma rede com treinamento e a rede neural TruAI. As barras laranjas representam a rede treinada com menos rigor derivada de um conjunto de dados com 2.000 iterações. As barras azuis mostram os resultados da NN TruAI derivados de oito conjuntos de dados com 40.000 iterações.

Comentário do Pesquisador Dr. Jonathan Epp, Universidade de Calgary

Há alguns fatores que considero ao analisar como as abordagens de IA beneficiaram a pesquisa científica. Algo importante que sempre repito sobre esse tipo de sistema, é que ele nos ajuda a eliminar o viés do pesquisador ao quantificar imagens. Mesmo quando não é possível ignorar as condições experimentais, não decidimos o que é ou não é uma célula identificada no tecido do experimento. Vieses à parte, ela também ajuda a reduzir a variação entre pesquisadores e experimentos no laboratório e aumenta a reprodutibilidade dos nossos dados. Acho que esse tipo de abordagem é importante para ajudar a garantir que estejamos agindo para tratar de problemas com a reprodutibilidade que assolam a ciência atualmente.

Agradecimentos

Esta nota de aplicação foi preparada com a ajuda do pesquisador:
Dr. Jonathan Epp, Universidade de Calgary