Mejora de la microscopia de IA para la clasificación de bacterias transmitidas por los alimentos utilizando la...

Área de la Ciencia:

• Microbiología
• Ciencias de la computación
• Biotecnología

Sus antecedentes:

• La microscopia habilitada con IA ofrece una clasificación bacteriana rápida, pero lucha con la variabilidad de la imagen en entornos dinámicos o con recursos limitados.
• Los modelos de IA existentes a menudo carecen de generalización cuando se aplican a datos de diferentes configuraciones o condiciones de microscopía.

Objetivo del estudio:

• Mejorar la generalización y la robustez de la clasificación bacteriana impulsada por IA utilizando técnicas de adaptación de dominio.
• Desarrollar un marco escalable para la microscopía de IA aplicable a entornos descentralizados y con recursos limitados.

Principales métodos:

• Se emplean redes neuronales de dominio adversario (DANN) y múltiples DANN (MDANN) para abordar variaciones de dominio único y múltiple, respectivamente.
• Utilizó una columna vertebral EfficientNetV2 con aprendizaje de pocos disparos para la extracción de características de grano fino y la escalabilidad en escenarios con datos limitados.
• Modelos entrenados en un dominio fuente de seis especies bacterianas en condiciones óptimas y probados en dominios objetivo con variadas modalidades, ampliaciones y tiempos de incubación, utilizando datos etiquetados mínimos.

Principales resultados:

• Los DANNs mejoraron significativamente la precisión de clasificación bacteriana en los dominios objetivo hasta en un 54,5% (por ejemplo, aumento de 20x: 34,4% a 88,9%), con una pérdida mínima de rendimiento en el dominio de origen.
• Los MDANNs aumentaron aún más la precisión en el dominio de campo brillante (BF) del 73,3% al 76,7%.
• Las técnicas de visualización de características (Grad-CAM, t-SNE) confirmaron la capacidad del modelo para aprender características invariables en el dominio.

Conclusiones:

• Las técnicas de adaptación de dominio mejoran efectivamente la generalización de la microscopía de IA para la clasificación bacteriana en diversas condiciones de imagen.
• El marco desarrollado ofrece una solución escalable y adaptable para la identificación bacteriana, ampliando la utilidad de la microscopía de IA en entornos desafiantes del mundo real.