A realização do ensaio de micronúcleos usando citometria de fluxo de imagem supera muitas limitações dos métodos tradicionais, incluindo baixo rendimento, variabilidade do escore e falta de confirmação visual dos eventos. A principal vantagem dessa técnica é que todos os eventos-chave podem ser adquiridos por citometria de fluxo por imagem e analisados por inteligência artificial. Este método tem um potencial para ser usado na triagem em larga escala de produtos químicos e outros compostos para testar a toxicidade a um rendimento mais alto do que o atualmente disponível.
Ao construir um novo modelo de IA, o principal desafio é obter imagens suficientes de células com micronúcleos, por isso é importante usar os algoritmos de marcação de imagem. Para começar, lance o software de Inteligência Artificial ou IA. Em Tipo de Experimento, clique no botão de opção ao lado de Treinar para iniciar um experimento de treinamento para construir o modelo de Rede Neural Convolucional ou CNN e clique em Avançar.
Em Nomes de classe, clique em Adicionar. Na janela pop-up, digite Mononucleado e clique em OK para adicionar a classe mononucleada à lista de nomes de classe. Repita esse processo para adicionar os outros nomes de classe, como Mononucleado com MN, Binucleado, Binucleado com MN, Polinucleado e Morfologia irregular.
Em Selecionar arquivos, clique em Adicionar arquivos e procure os arquivos desejados a serem adicionados ao software de IA, para criar os dados de verdade de base. Em seguida, na tela Selecionar População Base, localize a população não apoptótica da hierarquia populacional. Em seguida, clique com o botão direito do mouse na população não apoptótica, escolha Selecionar todas as populações correspondentes e clique em Avançar.
Para atribuir uma população verdade marcada de células mononucleadas com micronúcleo, clique na classe Mononucleada com MN em Classes Modelo à esquerda e, em seguida, clique na população verdade marcada apropriada à direita. Depois que todas as populações de verdade apropriadas forem atribuídas, clique em Avançar. Na tela Selecionar canais, verifique se os canais apropriados para o experimento foram escolhidos.
Aqui, escolha Campo brilhante ou BF como canal um, rebanhos para DNA como canal sete e clique em Avançar. Por fim, na tela de confirmação, clique em Criar experimento. Clique em Marcação para iniciar a interface da ferramenta de marcação.
Em seguida, clique nas ferramentas de zoom para cortar as imagens para facilitar a visualização. E clique na barra deslizante para ajustar o tamanho da imagem e decidir o número de imagens a serem mostradas na galeria. Clique na opção Display Setting e escolha min-max, que fornece a melhor imagem de contraste para identificar todos os principais eventos.
Em seguida, clique em Setup Gallery Display para alterar a cor da imagem de DNA para amarelo ou branco, o que melhorará a visualização de pequenos objetos. Clique em Cluster para executar o algoritmo para agrupar imagens com morfologia semelhante. Quando o clustering estiver concluído, clique nos clusters individuais e comece a atribuir imagens às classes de modelo apropriadas.
Depois que um mínimo de 25 objetos são atribuídos a cada classe de modelo, o algoritmo de previsão fica disponível. Clique em Prever. Depois que o algoritmo de previsão tiver concluído a execução, adicione objetos das classes previstas às classes de modelo apropriadas.
Uma vez que um mínimo de 100 objetos são atribuídos a cada classe de modelo, clique na guia Treinamento na parte superior da tela e, em seguida, clique no botão Treinar. Quando o treinamento do modelo estiver concluído, clique em Exibir resultados para avaliar a precisão do modelo. Quando o treinamento do modelo estiver concluído, clique no botão de menu para definir um novo experimento.
Em Tipo de Experimento, clique no botão de opção ao lado de Classificar para iniciar um experimento de classificação e clique em Avançar. Clique no modelo a ser usado para a classificação e, em seguida, clique em Avançar. Na tela Selecionar arquivos, clique em Adicionar arquivos.
Procure os arquivos a serem classificados pelo modelo CNN e clique em Avançar. Em seguida, na tela Selecionar População Base, clique na caixa de seleção ao lado da população Não apoptótica em um dos arquivos carregados. Clique com o botão direito do mouse na população não apoptótica, clique em Selecionar todas as populações correspondentes para selecionar essa população de todos os arquivos carregados e, em seguida, clique em Avançar.
Na tela Selecionar Canais, verifique se o canal um está selecionado para o Campo Brilhante e se o canal sete está selecionado para a coloração de DNA e clique em Avançar. Por fim, na tela de confirmação, clique em Criar Experimento. O software de IA carrega o modelo selecionado e todas as imagens dos arquivos de dados escolhidos.
Após o carregamento, clique em Concluir. Em seguida, clique em Classificar para iniciar a tela de classificação. E use as caixas de seleção para escolher usar Random Forest ou RF e CNN.
Em seguida, clique no botão Classificar. Isso inicia o processo de uso dos modelos RF e CNN para classificar dados adicionais e identificar todos os objetos que pertencem às classes de modelo especificadas. Quando a classificação estiver concluída, clique em Exibir Resultados.
Clique no botão Atualizar DAFs para abrir a janela Atualizar DAFs com resultados de classificação e clique em OK para atualizar os arquivos DAF. Para gerar o relatório, na tela de resultados, clique em Gerar Relatório. Se um relatório individual para cada DAF de entrada for necessário, marque a caixa de seleção ao lado de Criar relatório para cada DAF de entrada.
Caso contrário, basta clicar em OK para obter os relatórios. O algoritmo de cluster assistido por IA agrupa objetos semelhantes dentro de um segmento, de acordo com a morfologia de objetos não classificados e dos objetos que foram atribuídos às classes de modelo verdade terrestres. Aglomerados contendo células mononucleadas caem em um lado do mapa de objetos, enquanto as células multinucleadas estão no lado oposto.
Aglomerados de células binucleadas situam-se entre aglomerados celulares mono e multinucleados. Finalmente, aglomerados com morfologia irregular, caem em diferentes áreas do mapa de objetos. O algoritmo de predição é mais robusto que o algoritmo de cluster na identificação de morfologias sutis em imagens.
Por exemplo, Células Mononucleadas com MN versus Células Mononucleadas sem MN. O desempenho do modelo pode ser avaliado usando ferramentas, incluindo histogramas de distribuição de classes, estatísticas de acurácia e uma matriz de confusão interativa. Nos histogramas de distribuição de classes, quanto mais próximos os valores percentuais entre as populações verdade e prevista, mais preciso é o modelo. Nas estatísticas de precisão, quanto mais próximas essas métricas estiverem de 100%, mais preciso o modelo é na identificação de eventos nas classes de modelo.
Finalmente, a matriz de confusão interativa indica onde o modelo erra os eventos. A genotoxicidade foi medida pela porcentagem de micronúcleos por microscopia, indicada por barras transparentes, e IA indicada por barras pontilhadas após 3 horas de exposição e 24 horas de recuperação, para Manitol, Etoposídeo e Mitomicina C, utilizando-se os métodos Citocalasina B e Não-Citocalasina B. Ao criar um experimento de treinamento, verifique se os dados carregados contêm imagens de amostras de controle positivas e negativas.
Micronúcleos são raros, e imagens suficientes são necessárias para construir um modelo de IA preciso. Esse procedimento permite a criação de modelos de IA para analisar dados de micronúcleos de fluxo de imagem em qualquer campo de estudo, como a biodosimetria de radiação. Um método rápido e robusto baseado em IA para identificar micronúcleos pode se estender a outras aplicações, como a quantificação de micronúcleos que podem ser preditivos para o risco de desenvolvimento de câncer.
