抗生物質領域の適応を用いて,光学および生物学的多様性を扱うための食品由来細菌分類のためのAI顕微鏡の強化

科学分野:

• 微生物学
• コンピュータ科学
• バイオテクノロジー

背景:

• AI対応の顕微鏡は 急速な細菌分類を提供しますが ダイナミックな環境や資源の限られた環境では 画像の可変性に苦労します
• 既存のAIモデルは,異なる顕微鏡のセットアップまたは条件から得られたデータに適用する際に一般化性が欠けていることが多い.

研究 の 目的:

• 領域適応技術を用いたAI駆動の細菌分類の汎用性と堅実性を高める.
• 人工知能顕微鏡のスケーラブルなフレームワークを開発し,分散化およびリソース制限の設定に適用します.

主な方法:

• 単一および複数のドメインのバリエーションに対応するために,ドメイン対抗ニューラルネットワーク (DANNs) とマルチDANNs (MDANNs) を採用した.
• データ制限のシナリオで細かい特徴の抽出とスケーラビリティのために,いくつかのショット学習を備えたEfficientNetV2のバックボーンを使用しました.
• 最適な条件下で6種のバクテリアのソースドメインでモデルを訓練し,最小限のラベルのデータを用いて,さまざまなモード,拡大,インキュベーションタイムを持つターゲットドメインでテストしました.

主要な成果:

• DANNは標的領域における細菌分類精度を最大54.5% (例えば20倍拡大:34.4%から88.9%) 向上させ,ソース領域での性能損失を最小限に抑えることができた.
• MDANNsはさらにBrightfield (BF) ドメインの精度を73.3%から76.7%に向上させました.
• 特徴視覚化技術 (Grad-CAM,t-SNE) は,ドメイン不変の特徴を学習するモデルの能力を確認した.

結論:

• 多様なイメージング条件でバクテリアの分類のために,ドメイン適応技術はAI顕微鏡の汎用性を効果的に強化します.
• 開発されたフレームワークは,バクテリアの識別のためのスケーラブルで適応可能なソリューションを提供し,AI顕微鏡の有用性を困難で現実的な環境で拡大します.