Cascadas de modelos fundacionales permiten el análisis de imágenes de microscopía sin necesidad de ejemplos para la...

Área de la Ciencia:

• Biotecnología
• Tecnología Analítica de Procesos (PAT)
• Inteligencia Artificial en la Fabricación

Sus antecedentes:

• La fabricación escalable de terapias celulares requiere tecnologías avanzadas de análisis de procesos (PAT).
• El análisis automatizado de imágenes de microscopía es crucial para monitorizar atributos críticos de calidad.
• Los modelos de aprendizaje automático convencionales enfrentan desafíos con la anotación de datos y la generalización.

Objetivo del estudio:

• Desarrollar un método robusto y sin necesidad de ejemplos para analizar imágenes de microscopía en la fabricación de terapias celulares.
• Superar las limitaciones de los modelos de aprendizaje automático tradicionales en cuanto a requisitos de datos y generalización de efectos de lote.

Principales métodos:

• Se empleó una cascada de modelos fundacionales que integra un modelo de lenguaje grande (LLM) y un modelo de segmentación de cualquier cosa.
• El LLM realiza la detección inicial de anomalías, activando alertas para imágenes anómalas.
• Para imágenes no anómalas, la segmentación de instancias y la clasificación basada en LLM estiman el recuento y la viabilidad celular.

Principales resultados:

• El enfoque unificado y sin necesidad de ejemplos logró una detección robusta de anomalías.
• Se obtuvieron medidas cuantitativas del recuento y la salud celular sin necesidad de ajuste fino específico para la tarea.
• El método demostró generalización en diferentes efectos de lote.

Conclusiones:

• La combinación de modelos fundacionales preentrenados en una cascada ofrece una solución generalizable para la monitorización de procesos en tiempo real.
• Este enfoque facilita el control de retroalimentación para la fabricación escalable y automatizada de terapias celulares.
• El método desarrollado apoya el avance de los procesos de biomfabricación automatizada.