使用成像流式细胞术和人工智能实现微核检测自动化

使用成像流式细胞术进行微核测定克服了传统方法的许多局限性，包括通量低、分数可变性和缺乏事件的视觉确认。该技术的主要优点是可以使用成像流式细胞术获取所有关键事件，并使用人工智能进行分析。该方法有可能用于化学品和其他化合物的大规模筛选，以比目前更高的通量测试毒性。

在构建新的AI模型时，主要挑战是获得足够的微核细胞图像，因此使用图像标记算法非常重要。首先，启动人工智能或人工智能软件。在"实验类型"下，单击"训练"旁边的单选按钮以启动用于构建卷积神经网络或 CNN 模型的训练实验，然后单击"下一步"。

在"类名"上，单击"添加"。在弹出窗口中，键入单核，然后单击"确定"将单核类添加到类名列表中。重复此过程以添加其他类名称，例如 MN 单核、双核、MN 双核、多核和不规则形态。

在"选择文件"下，单击"添加文件"，然后浏览要添加到 AI 软件的所需文件，以构建真实数据。接下来，在"选择基本种群"屏幕上，从种群层次结构中找到"非凋亡种群"。然后右键单击非凋亡群体，选择选择所有匹配群体，然后单击下一步。

要分配具有微核的单核细胞的标记真实群体，请单击左侧模型类下的 MN 单核类，然后单击右侧的相应标记真实群体。分配所有适当的真值总体后，单击下一步。在"选择通道"屏幕上，确保为实验选择了适当的通道。

在这里，选择明场或BF作为通道一，选择DNA群作为通道七，然后单击下一步。最后，在"确认"屏幕上，单击"创建实验"。单击标记以启动标记工具界面。

然后单击缩放工具裁剪图像以便于查看。然后单击滑块以调整图像大小并确定要在图库中显示的图像数量。单击"显示设置"选项并选择最小-最大值，这将为识别所有关键事件提供最佳对比度图像。

接下来，单击设置库显示将DNA图像的颜色更改为黄色或白色，这将改善小物体的可视化。单击聚类以运行算法，将具有相似形态的图像分组在一起。聚类完成后，单击各个聚类并开始将图像分配给适当的模型类。

将至少 25 个对象分配给每个模型类后，预测算法将变为可用。单击预测。预测算法完成运行后，将预测类中的对象添加到相应的模型类。

将至少 100 个对象分配给每个模型类后，单击屏幕顶部的"训练"选项卡，然后单击"训练"按钮。模型训练完成后，单击"查看结果"以评估模型准确性。模型训练完成后，单击菜单按钮以定义新实验。

在实验类型下，单击分类旁边的单选按钮以启动分类实验，然后单击下一步。单击要用于分类的模型，然后单击"下一步"。在"选择文件"屏幕上，单击"添加文件"。

浏览要按 CNN 模型分类的文件，然后单击"下一步"。接下来，在"选择基本种群"屏幕上，单击其中一个加载文件中非凋亡群体旁边的复选框。右键单击"非凋亡群体"，单击"选择所有匹配群体"以从所有加载的文件中选择此群体，然后单击"下一步"。

在"选择通道"屏幕上，验证是否为明场选择了通道一，是否为 DNA 染色选择了通道 7，然后单击下一步。最后，在确认屏幕上，单击创建实验。AI软件从所选数据文件中加载所选模型和所有图像。

加载后，单击完成。接下来，单击分类以启动分类屏幕。并使用复选框选择使用随机森林或射频以及 CNN。

然后点击分类按钮。这将开始使用 RF 和 CNN 模型对其他数据进行分类并识别属于指定模型类的所有对象的过程。分类完成后，单击查看结果。

单击更新 DAF 按钮以显示具有分类结果的更新 DAF，然后单击确定以更新 DAF 文件。要生成报告，请在结果屏幕上单击生成报告。如果需要为每个输入 DAF 提供单独的报告，请选中为每个输入 DAF 创建报告旁边的复选框。

否则，只需单击"确定"即可获取报告。AI 辅助聚类算法根据未分类对象和已分配给真实对象模型类的对象的形态，将段内的相似对象分组在一起。包含单核细胞的簇落在对象映射的一侧，而多核细胞位于另一侧。

双核细胞簇介于单核细胞簇和多核细胞簇之间。最后，具有不规则形态的簇落在对象映射的不同区域。在识别图像中的细微形态方面，预测算法比聚类算法更可靠。

例如，具有 MN 的单核细胞与没有 MN 的单核细胞。可以使用工具评估模型的性能，包括类分布直方图、准确性统计和交互式混淆矩阵。在类分布直方图中，真值和预测总体之间的百分比值越接近，模型就越准确。在准确性统计中，这些指标越接近 100%，模型在识别模型类中的事件时就越准确。

最后，交互式混淆矩阵指示模型错误分类事件的位置。对于甘露醇、依托泊苷和丝裂霉素 C，使用细胞松弛素 B 和非细胞松弛素 B 方法，通过显微镜测量微核的百分比（用透明条表示）和 AI 用虚线条表示，用透明条表示，AI 在 3 小时暴露和 24 小时恢复后。创建训练实验时，请确保加载的数据包含来自阳性和阴性对照样本的图像。

微核很少见，需要足够的图像来构建准确的AI模型。该程序允许创建AI模型来分析任何研究领域的成像流微核数据，例如辐射生物剂量学。一种快速而强大的基于人工智能的微核识别方法可以扩展到其他应用，例如量化可能预测癌症发展风险的微核。