כדי לבסס את אסטרטגיית למידת המכונה או ML עבור מצבי מושבת PSC הראשוניים, הכינו ערכת נתונים של תמונות שדה בהיר בשעות אפס או לפני טיפול CHIR ואת התמונות הפלואורסצנטיות הסופיות של cTNT. כמת את יעילות הבידול של כל באר על ידי מדד יעילות הבידול המחושב מתמונות הפלואורסצנטיות cTNT שלה. כמת את הפרופילים המורפולוגיים של תמונות שדה בהיר של שעת אפס על ידי תכונות ממדיות גבוהות החושפות את תכונות צורת המושבה.
חלק באופן אקראי את ערכת הנתונים לערכת אימונים ולערכת בדיקות. אמן מודל רגרסיה אקראית של יער על ערכת האימונים כדי לחזות יעילות בידול מתכונות תמונה בשדה בהיר של שעת אפס. הערך את מודל היער האקראי המאומן בקבוצת הבדיקה.
הכן מערך נתונים המורכב מזרמי תמונה שלמים בעלי שדה בהיר היטב באפס עד 12 שעות ומנות CHIR המתאימות, שהן השילובים של ריכוזי CHIR ומשך. בהתאם לקריטריונים המוצגים, קבע את טווח ריכוז ה- CHIR הנמוך, האופטימלי והגבוה תחת כל משך CHIR בכל אצווה. תחת כל משך זמן, חשב ריכוז דלתא CHIR עבור כל ריכוז כדי לכמת את הסטייה שלו מהאופטימלי.
חלץ תכונות של זרמי התמונה בערכת הנתונים. עבור כל משך זמן של CHR, אמן מודל רגרסיה לוגיסטית כדי לחזות את תווית ריכוז CHIR מתוך תכונות זרם התמונה בערכת האימונים. הערך את ביצועי הסיווג של מודל הרגרסיה הלוגיסטית המיומן בקבוצת הבדיקות באמצעות דיוק, דיוק, היזכרות, ציון F1 ואזור מתחת לעקומה.
כדי להעריך את ביצועי המודל בהערכת מינון CHR, בקבוצת הבדיקה, מזג תוויות חזויות של בארות מקבילות עם ריכוז CHIR זהה באמצעות ציוני סטייה הנעים בין מינוס אחד לאחד. באמצעות מקדם המתאם של פירסון, אשרו כי ציוני הסטייה החזויים מתואמים מאוד עם ריכוז הדלתא CHIR האמיתי עבור כל מנה. לאחר מכן, יישם את מודלי הרגרסיה הלוגיסטית המאומנים כדי להעריך את מנות CHIR באצוות חדשות.
עם הערכת מינון CHIR מבוססת מודל, בארות הצלה תחת כל ריכוז CHIR תת-אופטימלי בהתאם על ידי התאמת משך או ריכוז ה- CHIR שלהם לכיוון אופטימלי לפני 48 שעות. הכינו מערך נתונים המורכב מתמונות עם שדה בהיר ביום השישי, והוסיפו ביאורים ידניים לקליקים המחויבים ל-CM על ידי מעקב אחר התאים החיוביים ל-cTNT בזרמי התמונות מהיום ה-12 ועד היום השישי. חתוך את תמונות השדה הבהיר ואת הביאור הידני המתאים של CPC המחויבים ל- CM לטלאים.
מדבקות תוויות גדולות או שוות ל- 30% מה- CPC המחויבות ל- CM כחיוביות, ומדבקות ללא CPC המחויבות ל- CM כשליליות. אמן רשת עצבית קונבולוציונית עמוקה, ResNeSt, כדי ללמוד לסווג את הטלאים האלה. השתמש ב- Grad-CAM כדי להדגיש את האזורים התורמים ביותר להסקת מסקנות של ResNeSt המיוצגות על-ידי מפות חום.
מזג את מפות החום הבינאריות ברמת התיקון כדי לקבל את אזורי CPC החזויים המחויבים ל- CM, הנקראים אזורי CPC המזוהים עם תמונה, או אזורי IRCPC. השווה את אזורי IRCPC עם מסיכות עם ביאורים ידניים בערכת הבדיקה באמצעות דיוק, ציון F1, דיוק, היזכרות, ספציפיות והצטלבות על איחוד. הכינו ערכת נתונים המורכבת מתמונות שדה בהיר של CMs ומתמונות פלואורסצנטיות cTNT המתאימות.
אמן את מודל pix2pix על ערכת האימונים לפני יישום המודל המאומן על ערכת הבדיקה. כדי לטהר את ה- CPC המחויבים ל- CM, השתמש בבדיקה פוטואקטיבית לא ציטוטוקסית, מעקב תאים כפול הפעלה 1 או DACT-1, כדי לתייג באופן סלקטיבי אזורים שאינם CPC. לאחר הקרנת האזור שאינו CPC בקו לייזר של 405 ננומטר, זהה את התאים המסומנים בתווית DACT-1 באמצעות קו לייזר של 561 ננומטר.
לאחר מיון התאים המנותקים, זרעו את התאים הממוינים בצלחת באר 96 מצופה מטריג'ל, ותרבו בתרבית DACT-1 ללא CPC, IRCPCs ללא תווית ותאי קבוצת הביקורת במשך שישה ימים בתווך.
