显微镜图像背景中的特征在机器学习分析中引入了偏差

科学领域:

• 制药科学 制药科学
• 分析化学 分析化学
• 生物技术是生物技术.

背景情况:

• 在治疗性蛋白质配方中,可见微粒至关重要.
• 流成像显微镜 (FIM) 和背景膜成像 (BMI) 是粒子分析的关键技术.
• 无论是FIM还是BMI都会捕获粒子的数字图像以进行表征.

研究的目的:

• 为了比较卷积神经网络 (CNN) 使用FIM和BMI数据对可见粒子进行分类的性能.
• 为了研究图像背景对CNN分类准确度的影响,这两种技术.
• 为了评估在FIM和BMI图像上训练的CNN模型的稳定性.

主要方法:

• 卷积神经网络 (CNN) 被训练来分类来自FIM和BMI的粒子图像.
• 进行了归因分析,以了解CNN预测中的特征重要性.
• 图像细分用于减少对CNN业绩的背景影响.

主要成果:

• 在BMI上训练的CNN最初显示出比在FIM上训练的CNN更高的准确性.
• 归因分析显示,BMI-CNNs依赖于膜背景特征,而FIM-CNNs专注于粒子特征.
• 图像细分显著降低了BMI-CNN准确度,但对FIM-CNN准确度的影响很小.

结论:

• 经过BMI训练的CNN的卓越准确性是背景特征的工件,而不是粒子特征.
• 使用归因方法的稳定性检查对于验证粒子分析中的机器学习模型至关重要.
• 仔细考虑图像采集技术和潜在的工件对于可靠的可见小粒子表征至关重要.