Deep Learning: Merevolusi Otomasi Inspeksi dalam Ilmu Kehidupan
Bagaimana Deep Learning Mengotomatisasi Inspeksi untuk Industri Ilmu Kehidupan
Sumber Artikel Asli: Penulis Brian Benoit
Industri ilmu kehivan terkenal dengan riset intensif modal dan alat medis yang telah maju dalam praktik citra medis, pengujian sampel, dan pembuatan obat. Alat ini memiliki kemampuan mesin penglihatan terintegrasi dalam desainnya.
Namun untuk beberapa aplikasi otomasi laboratorium, mesin penglihatan tidak cukup cocok dengan fleksibilitas pikiran manusia untuk membuat keputusan berbasis penilaian. Komputer terkenal bingung dengan latar belakang yang ramai dan masalah kualitas citra, seperti kilauan specular. Ini membuatnya sangat sulit untuk algoritma mesin penglihatan tradisional untuk menemukan objek atau area minat dengan presisi, terutama untuk mengidentifikasi abnormalitas di tengah adegan yang tidak terstruktur. Ini dapat memakan waktu dan sulit, jika tidak mustahil, untuk sistem otomatis untuk berhasil mengidentifikasi area minat sambil mengabaikan fitur yang tidak relevan.
Kini, terobosan dalam analisis citra berbasis deep learning dapat mengotomatisasi aplikasi ini sehingga dilakukan secara andal dan berulang—dalam bahasa mesin penglihatan, “robustly.”
DOWNLOAD: Deep Learning for Life Sciences Solutions Guide
Deteksi Defek Ilmu Kehidupan
Aplikasi mikroskopi klinis dan penelitian yang sebelumnya memerlukan inspeksi manusia sedang diciptakan ulang dengan penerapan analisis citra berbasis deep learning. Sampel patologis dan histologis, misalnya, memerlukan deteksi defek yang akurat dan segmentasi meskipun pola defek bervariasi dan tidak dapat diprediksi.
Saat Anda mempertimbangkan tantangan mendeteksi abnormalitas sel dan kerusakan sel pada slide histologis (jaringan sel), penampilan visual yang mungkin sangat mengagumkan.
Sel kanker bisa muncul dalam berbagai ukuran dan bentuk, dan berbagai bentuknya, dalam sebagian besar kasus, lebih berbeda daripada serupa. Secara efektif mustahil untuk mengajari sistem inspeksi untuk mengidentifikasi semua anomali yang mungkin tanpa pemrograman yang luas, dan bahkan demikian, kemungkinan identifikasi atau penolakan palsu tinggi. Dalam situasi seperti ini, analisis citra berbasis deep learning dalam mode tidak terawasi menawarkan mode inspeksi yang sangat akurat dan efisien.
Dalam aplikasi deteksi abnormalitas sel kami, seorang engineer pelatihan menggunakan citra sampel abnormalitas sel yang mungkin, seperti kanker, untuk mengajarkan perangkat lunak untuk mengonseptualisasikan dan menggeneralisasi penampilan normal sel atau klaster sel. Slide ini dilabeli sebagai contoh “baik” sel sehat dan mempertimbangkan varian sel sehat normal, seperti mitosis. Kemudian, saat runtime, variasi apa pun ditandai sebagai anomali dan kemungkinan mewakili kerusakan sel. Aplikasi ini memerlukan langkah lebih lanjut.
Setelah sel atau klaster sel ditandai, area minat tertentu perlu difragmentasi secara dinamis secara real-time untuk tinjauan lebih lanjut. Sel menunjukkan potensi kerusakan, af, karena penampilannya menyimpang dari norma, namun tidak tentu kanker. Simpangan ini dapat disebabkan oleh artefak pada slide.
Biasanya, seorang inspeksi manusia—kemungkinan seorang patolog—akan harus meninjau subset sampel ini untuk membuat diagnosis tegas. Namun sekali lagi, perangkat lunak berbasis deep learning Cognex dapat menjalankan ulang algoritmanya di atas area target subset—kali ini dengan pelatihan ulang dalam mode terawasi—untuk membedakan antara “baik” (tolerabel, tidak rusak) dan “buruk” (patologis, rusak) sel.
Pengenalan Karakter Optik Ilmu Kehidupan
Banyak pemasok medis bergantung pada identifikasi otomatis untuk pelacakan dan memenuhi peraturan keselamatan. Karakter alfanumerik yang dapat dibaca manusia dapat dengan mudah tampak berubah bentuk pada kamera sistem inspeksi otomatis jika ada pada bahan yang dapat meregang dan dicetak seperti kantong infus. Kilauan dan refleksi specular juga dapat membingungkan sistem, menyelimuti dan mengubah penampilan alami kode.
Bahkan tanpa variasi visual ini, masih dapat sangat memakan waktu untuk mengajari sistem penglihatan untuk mengenali berbagai font, seperti dalam kasus verifikasi karakter optik (OCV), ketika sistem inspeksi tidak dapat mengantisipasi gaya font apa yang akan ditemuinya. Itulah tempat perpustakaan omni-font yang telah dilatih sebelumnya dapat berguna. Alat berbasis deep learning yang telah dilatih sebelumnya untuk mengenali berbagai font secara esensial bekerja out-of-the-box; tidak ada pelatihan berbasis citra yang diperlukan di awal, dan pelatihan minimal yang terjadi hanya terjadi pada karakter yang terlewat untuk memperbaiki logika model.
Implementasi yang cepat dan mudah dan penyesuaian aplikasi yang terbatas membuat OCR berbasis deep learning menjadi pilihan yang jelas untuk aplikasi yang melibatkan karakter yang berubah bentuk, miring, dan terukir dengan buruk atau dalam aplikasi verifikasi ketika kamera pasti akan menemukan berbagai macam font yang tidak diketahui.
Verifikasi Rakitan Ilmu Kehidupan
Alat otomasi laboratorium seperti analyzer klinis dan alat diagnostik in-vitro bergantung pada mesin penglihatan untuk memastikan sampel dimasukkan dan diratakan dengan sempurna untuk kondisi pengujian optimal. Keberhasilan produsen alat diagnostik bergantung pada akurasi pengukuran dan hasil mesin mereka. Mungkin yang paling penting, mereka bergantung pada pengaturan tes dan rakitan desk yang akurat, yang menyediakan data yang tepat untuk perangkat sehingga tes dilakukan dengan benar dan seragam.
Rakitan yang benar dari sampel pengujian—darah, air seni, atau jaringan—dalam yang dikenal sebagai verifikasi pra-rakitan adalah penting untuk mengurangi potensi error yang dapat mengancam kontaminasi, mencampur atau salah mendiagnosis, atau melambatkan atau merusak peralatan mahal. selama inspeksi ini, sistem otomatis harus memverifikasi bahwa tidak ada tabung tes yang tidak selaras atau tidak ada, tutup yang belum dilepas, atau kapal yang dimuat berlebih ke dalam rak analyzer. Memverifikasi bahwa rak peralatan telah diisi dengan lengkap dan benar melibatkan pengelolaan beberapa faktor: tabung dan kapal sampel serta reagen bervariasi menurut produsen dalam bentuk, ukuran, dan dimensi, dan mungkin mustahil bagi mesin untuk memprediksi posisi sampel di desk.
Dengan variasi yang tidak dapat diprediksi ini dalam pengaturan tes, masuk akal untuk menggunakan deep learning untuk melakukan verifikasi rakitan. Perangkat lunak berbasis deep learning Cognex dapat mempelajari penampilan yang bervariasi dari sampel dan reagen yang berbeda, serta lokasi yang tidak dapat diprediksi dan bervariasi, berdasarkan serangkaian citra pelatihan.
Alat ini menggeneralisasi fitur yang membedakan sampel dan reagen berdasarkan ukuran, bentuk, dan fitur permukaannya dan mempelajari penampilan normalnya, serta lokasi umum mereka di rak atau mikroplate desk. Dengan cara ini, deep learning mampu mengotomatisasi dan menyelesaikan aplikasi yang sebelumnya sulit diprogram dengan cara yang cepat, sangat akurat, dan mudah diterapkan.
Klasifikasi Ilmu Kehidupan
Menentukan kualitas sampel darah masih membutuhkan sejumlah besar penilaian manusia. Ini karena sampel yang telah disiapkan dengan benar yang telah diunsentrifugasi dan diindeks perlu menerima skor individual untuk kekeruhan dan warna plasma. Berdasarkan cara sampel dimuat ke dalam mesin analyzer, penampilan mereka dapat bervariasi dan darah dapat terlihat lebih atau kurang terpisah. Ini mempengaruhi indeks.
Misalnya, sampel dengan plasma, lapisan buffy, dan sel darah merah yang lebih jelas terstratifikasi akan dinilai lebih tinggi daripada satu dengan fase yang kurang jelas. Namun di lingkungan laboratorium yang sangat terotomatisasi yang bergantung pada alur kerja yang baik, pendekatan ini tidak ideal. Untungnya, analisis citra berbasis deep learning dapat meniru kecerdasan manusia dan menilai kualitas pemisahan sampel yang diunsentrifugasi. Namun proses manajemen kualitas melibatkan langkah lebih lanjut: klasifikasi.
Hanya sampel dengan nilai lulus yang akan diperbolehkan untuk pengujian. Ini membuat sangat penting bagi sistem inspeksi untuk dapat menggeneralisasi dan mengonseptualisasikan penampilan fase “baik” (yakni, terpisah dengan baik) sel darah merah. Ini dilakukan berdasarkan faktor seperti warna plasma, kekeruhan, dan volume lapisan buffy, yang semuanya adalah kriteria yang digunakan dalam pemrosesan sampel.
Deep learning adalah alat otomasi satu-satunya yang dapat secara cerdas mengklasifikasikan, mengurutkan, dan memberi nilai pada beberapa objek dalam satu citra. Dalam kasus ini, Cognex Deep Learning mampu mengurutkan beberapa kelas dalam satu vial darah untuk mengidentifikasi dan melewati hanya sampel yang memenuhi kriteria pengujian.
Sebagai solusi otomasi terbaru untuk aplikasi ilmu kehidupan yang kompleks, alat berbasis deep learning Cognex dengan nyaman tersedia sebagai sistem off-the-shelf dan OEM untuk dirancang langsung ke dalam alat otomasi laboratorium. Dengan hasil yang sangat andal dan permintaan rendah pada infrastruktur tambahan seperti CPU atau PC tertanam, perangkat lunak berbasis deep learning Cognex adalah tambahan alami untuk klaster alat inspeksi mesin penglihatan industri ilmu kehidupan.
