La réalisation du test du micronoyau à l’aide de la cytométrie en flux d’imagerie surmonte de nombreuses limites des méthodes traditionnelles, notamment le faible débit, la variabilité du score et l’absence de confirmation visuelle des événements. Le principal avantage de cette technique est que tous les événements clés peuvent être acquis à l’aide de la cytométrie de flux d’imagerie et analysés à l’aide de l’intelligence artificielle. Cette méthode pourrait être utilisée dans le criblage à grande échelle de produits chimiques et d’autres composés afin de tester la toxicité à un débit plus élevé que celui actuellement disponible.
Lors de la construction d’un nouveau modèle d’IA, le principal défi consiste à obtenir suffisamment d’images de cellules avec des micronoyaux, il est donc important d’utiliser les algorithmes de marquage d’image. Pour commencer, lancez le logiciel d’intelligence artificielle ou d’IA. Sous Type d’expérience, cliquez sur la case d’option à côté de Train pour démarrer une expérience d’entraînement pour la construction du réseau neuronal convolutif ou du modèle CNN, puis cliquez sur Suivant.
Sur les noms de classe, cliquez sur Ajouter. Dans la fenêtre contextuelle, tapez Mononucléé et cliquez sur OK pour ajouter la classe mononucléée à la liste des noms de classe. Répétez ce processus pour ajouter les autres noms de classe, tels que Mononucléé avec MN, Binucléé, Binucléé avec MN, Polynucléé et Morphologie irrégulière.
Sous Sélectionner des fichiers, cliquez sur Ajouter des fichiers et recherchez les fichiers souhaités à ajouter au logiciel d’IA pour créer les données de réalité sur le terrain. Ensuite, dans l’écran Sélectionner la population de base, recherchez la population non apoptotique dans la hiérarchie des populations. Cliquez ensuite avec le bouton droit de la souris sur la population non apoptotique, choisissez Sélectionner toutes les populations correspondantes, puis cliquez sur Suivant.
Pour affecter une population de vérité balisée de cellules mononucléées avec micronoyau, cliquez sur la classe Mononucléé avec MN sous Classes de modèle à gauche, puis cliquez sur la population de vérité balisée appropriée à droite. Une fois que toutes les populations de vérité appropriées sont attribuées, cliquez sur Suivant. Dans l’écran Sélectionner les canaux, assurez-vous que les canaux appropriés pour l’expérience sont choisis.
Ici, choisissez Bright Field ou BF comme canal un, troupeaux pour ADN comme canal sept, puis cliquez sur Suivant. Enfin, sur l’écran de confirmation, cliquez sur Créer une expérience. Cliquez sur Balisage pour lancer l’interface de l’outil de balisage.
Cliquez ensuite sur les outils de zoom pour recadrer les images et faciliter la visualisation. Et cliquez sur la barre de défilement pour ajuster la taille de l’image et décider du nombre d’images à afficher dans la galerie. Cliquez sur l’option Paramètres d’affichage et choisissez min-max, qui fournit la meilleure image contrastée pour identifier tous les événements clés.
Ensuite, cliquez sur Configurer l’affichage de la galerie pour changer la couleur de l’image ADN en jaune ou blanc, ce qui améliorera la visualisation des petits objets. Cliquez sur Cluster pour exécuter l’algorithme permettant de regrouper des images de morphologie similaire. Une fois le clustering terminé, cliquez sur les clusters individuels et commencez à affecter des images aux classes de modèles appropriées.
Une fois qu’un minimum de 25 objets est affecté à chaque classe de modèle, l’algorithme de prédiction devient disponible. Cliquez sur Prédire. Une fois l’exécution de l’algorithme de prédiction terminée, ajoutez des objets des classes prédites aux classes de modèle appropriées.
Une fois qu’un minimum de 100 objets est affecté à chaque classe de modèle, cliquez sur l’onglet Formation en haut de l’écran, puis cliquez sur le bouton Train. Une fois la formation du modèle terminée, cliquez sur Afficher les résultats pour évaluer la précision du modèle. Une fois la formation du modèle terminée, cliquez sur le bouton de menu pour définir une nouvelle expérience.
Sous Type d’expérience, cliquez sur la case d’option en regard de Classifier pour démarrer une expérience de classification, puis cliquez sur Suivant. Cliquez sur le modèle à utiliser pour la classification, puis cliquez sur Suivant. Sur l’écran Sélectionner des fichiers, cliquez sur Ajouter des fichiers.
Recherchez les fichiers à classer selon le modèle CNN, puis cliquez sur Suivant. Ensuite, dans l’écran Sélectionner la population de base, cliquez sur la case à cocher à côté de la population non apoptotique dans l’un des fichiers chargés. Cliquez avec le bouton droit sur la population non apoptotique, cliquez sur Sélectionner toutes les populations correspondantes pour sélectionner cette population parmi tous les fichiers chargés, puis cliquez sur Suivant.
Dans l’écran Sélectionner les canaux, vérifiez que le premier canal est sélectionné pour le champ lumineux et que le canal sept est sélectionné pour la coloration ADN, puis cliquez sur Suivant. Enfin, sur l’écran de confirmation, cliquez sur Créer une expérience. Le logiciel d’IA charge le modèle sélectionné et toutes les images des fichiers de données choisis.
Après le chargement, cliquez sur Terminer. Ensuite, cliquez sur Classifier pour lancer l’écran de classification. Et utilisez les cases à cocher pour choisir d’utiliser Random Forest ou RF, et CNN.
Cliquez ensuite sur le bouton Classer. Cela commence le processus d’utilisation des modèles RF et CNN pour classer des données supplémentaires et identifier tous les objets qui appartiennent aux classes de modèles spécifiées. Une fois la classification terminée, cliquez sur Afficher les résultats.
Cliquez sur le bouton Mettre à jour les fichiers DAF pour afficher la fenêtre Mettre à jour les DAF avec les résultats de classification, puis cliquez sur OK pour mettre à jour les fichiers DAF. Pour générer le rapport, sur l’écran des résultats, cliquez sur Générer le rapport. Si un rapport individuel pour chaque DAF d’entrée est requis, cochez la case en regard de Créer un rapport pour chaque DAF d’entrée.
Sinon, cliquez simplement sur OK pour obtenir les rapports. L’algorithme de cluster assisté par l’IA regroupe des objets similaires au sein d’un segment, en fonction de la morphologie des objets non classés et des objets qui ont été affectés aux classes de modèles de vérité au sol. Les amas contenant des cellules mononucléées tombent d’un côté de la carte des objets, tandis que les cellules multinucléées sont du côté opposé.
Les amas de cellules binucléées se situent entre les amas de cellules mononucléées et multinucléées. Enfin, les amas à morphologie irrégulière se situent dans différentes zones de la carte des objets. L’algorithme de prédiction est plus robuste que l’algorithme de cluster pour identifier les morphologies subtiles dans les images.
Par exemple, les cellules mononucléées avec MN par rapport aux cellules mononucléées sans MN. La performance du modèle peut être évaluée à l’aide d’outils, notamment des histogrammes de distribution de classes, des statistiques de précision et une matrice de confusion interactive. Dans les histogrammes de distribution de classes, plus les valeurs en pourcentage entre la population réelle et les populations prédites sont proches, plus le modèle est précis. Dans les statistiques de précision, plus ces mesures sont proches de 100 %, plus le modèle est précis pour identifier les événements dans les classes de modèles.
Enfin, la matrice de confusion interactive indique où le modèle classe mal les événements. La génotoxicité a été mesurée par le pourcentage de micronoyaux par microscopie, indiqué par des barres claires, et l’IA indiqué par des barres pointillées après une exposition de 3 heures et une récupération de 24 heures, pour le mannitol, l’étoposide et la mitomycine C, en utilisant les méthodes de la cytochalasine B et de la non-cytochalasine B. Lors de la création d’une expérience d’apprentissage, assurez-vous que les données chargées contiennent des images provenant d’échantillons de contrôle positifs et négatifs.
Les micronoyaux sont rares et des images suffisantes sont nécessaires pour construire un modèle d’IA précis. Cette procédure permet la création de modèles d’IA pour analyser les données du micronoyau d’imagerie en flux dans n’importe quel domaine d’étude, tel que la biodosimétrie par rayonnement. Une méthode rapide et robuste basée sur l’IA pour identifier les micronoyaux peut s’étendre à d’autres applications, telles que la quantification des micronoyaux qui peuvent être prédictifs du risque de développement du cancer.
