A diferenciação e classificação celular são tarefas fundamentais na análise de dados ômicos espaciais, que fornecem insights sem precedentes sobre estruturas celulares e funções teciduais. Avanços recentes na tecnologia ômica espacial permitiram análises de alta resolução de tecidos intactos, apoiando esforços como a Human Tumor Atlas Network e o Programa Human Biomolecular Atlas no mapeamento de associações espaciais em estados saudáveis e doentes. Fluxos de trabalho comuns tratam a segmentação e a segmentação como etapas separadas, contando com métodos baseados em CNN, como Mesmer, Cellpose e CELESTA. No entanto, estes métodos geralmente requerem alta eficiência computacional, desempenho consistente em todos os tipos de tecidos e falta de testes de confiança na classificação, exigindo soluções computacionais avançadas.
Embora as CNNs tenham melhorado a classificação e classificação de imagens biomédicas, suas limitações impedem a integração de informações semânticas nas imagens de tecidos. Modelos baseados em transformadores, como DETR, DINO e MaskDINO, superam os CNNs em tarefas de detecção e classificação de objetos, mostrando-se promissores para imagens biomédicas. No entanto, a sua utilização na distinção de células e núcleos de imagens de tecidos reproduzíveis ainda precisa ser testada. Imagens multicoloridas apresentam desafios únicos devido ao seu grande tamanho e propriedades de sobreposição. Embora o MaskDINO tenha mostrado forte desempenho em imagens RGB ambientais, sua adaptação à análise de dados ômicos espaciais pode preencher uma lacuna crítica, permitindo classificação e classificação mais precisas e eficientes.
CelloType, desenvolvido por pesquisadores da Universidade da Pensilvânia e da Universidade de Iowa, é um modelo avançado projetado para realizar simultaneamente classificação de células e classificação de dados ômicos espaciais baseados em imagens. Ao contrário dos métodos convencionais de duas etapas, ele usa uma estrutura de aprendizagem multitarefa para melhorar a precisão de ambas as tarefas usando arquiteturas baseadas em transformadores. O modelo combina os módulos DINO e MaskDINO para detecção de objetos, classificação de instâncias e classificação, aprimorados com uma função de perda composta. CelloType também oferece suporte à classificação em várias escalas, permitindo anotação precisa de estruturas celulares e não celulares na análise de tecidos, mostrando desempenho superior em vários conjuntos de dados, incluindo fluorescência multiplexada e imagens transcriptômicas espaciais.
CelloType possui três módulos principais: (1) um módulo de extração de recursos baseado em Swin Transformer que gera muitos recursos gráficos para uso em DINO e MaskDINO; (2) um módulo DINO para detecção e classificação de objetos, utilizando consultas espaciais e contextuais, refinamento de caixa de âncora e treinamento de ruído; e (3) o módulo MaskDINO, por exemplo, segmentação, que melhora a detecção com um ramo de predição de máscara. O treinamento inclui programação de estimativa de desempenho de perda, caixa delimitadora e previsão de máscara. Implementado com Detectron2, CelloType oferece pesos COCO pré-treinados, otimizador Adam e testes sistemáticos de precisão, suportando tarefas de classificação em conjuntos de dados como Xenium e MERFISH usando sinais espaciais multimodais.
CelloType é uma estrutura de aprendizado profundo projetada para multiclassificação e segmentação de imagens de microscopia biomédica, como imagens moleculares, histológicas e de campo de luz. Ele usa Swin Transformer para extrair recursos multiescala, DINO para detecção de objetos e previsão de caixa delimitadora e MaskDINO para segmentação refinada. CelloType mostrou desempenho superior a métodos como Mesmer e Cellpose em todos os diferentes conjuntos de dados, alcançando alta precisão, especialmente com sua variante de luxo, CelloType_C. Tarefas de classificação gerenciadas com sucesso em microscopia transversal multiplexada e conjuntos de dados de transcriptômica espacial. Além disso, é altamente eficaz na classificação e classificação ao mesmo tempo, superando outros métodos em dados de câncer colorretal do CODEX com alta precisão e adaptabilidade.
Concluindo, CelloType é um modelo ponta a ponta para divisão e classificação celular em dados ômicos espaciais, combinando essas tarefas com aprendizagem multitarefa para melhorar o desempenho geral. Técnicas avançadas baseadas em transformadores, incluindo Swin Transformers e o módulo DINO, melhoram a detecção, classificação e precisão da classificação de objetos. Ao contrário dos métodos tradicionais, o CelloType combina esses processos, alcançando resultados superiores em fluorescência multiplexada e imagens transcriptômicas espaciais. Ele também suporta multiclassificação de estruturas celulares e não celulares, indicando seu uso na anotação automatizada de tecidos. Os desenvolvimentos futuros, incluindo a aprendizagem esparsa e inversa, visam abordar as limitações nos dados de treinamento e os desafios com a análise da transcriptômica espacial.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
🎙️ 🚨 'Avaliação de vulnerabilidade de um grande modelo de linguagem: uma análise comparativa dos métodos da Cruz Vermelha' Leia o relatório completo (Promovido)
Sana Hassan, estagiária de consultoria na Marktechpost e estudante de pós-graduação dupla no IIT Madras, é apaixonada pelo uso de tecnologia e IA para enfrentar desafios do mundo real. Com um profundo interesse em resolver problemas do mundo real, ele traz uma nova perspectiva para a intersecção entre IA e soluções da vida real.
🧵🧵 [Download] Avaliação do relatório do modelo de risco linguístico principal (ampliado)
