Исследователи из НИУ ВШЭ – Санкт-Петербург в сотрудничестве с коллегами из Международного университета информационных технологий в Казахстане разработали автоматизированную систему для микроскопов с искусственным интеллектом. Эта система значительно повышает точность классификации микроорганизмов – до 97,5%.
По словам Елены Михайловой, методолога проекта и руководителя программы «Прикладной анализ данных и искусственный интеллект», промышленные системы микроскопии обладают высокой точностью, но они дороги и закрыты для модификаций. В их проекте была сохранена качественная штатная оптика серийного микроскопа, к которой добавлен открытый модуль управления. Основное новшество заключается в том, что база знаний по микроскопии интегрирована в механизм внимания искусственного интеллекта. Модель уже прошла испытания на различных архитектурах и показала свою эффективность в пяти протестированных группах.
Современные микробиологические инструменты позволяют детально изучать бактерии, грибы и простейшие организмы. Однако традиционные методы требуют ручной настройки и визуальной оценки, что влияет на точность результатов. Искусственный интеллект способен значительно улучшить качество анализа изображений, особенно в биотехнологиях и клинической диагностике, где необходимо сравнивать тысячи снимков.
Новый метод основан на специализированном алгоритме Microscopy-Aware Attention (MAA). В отличие от стандартных нейронных сетей, этот алгоритм анализирует изображения не по пикселям, а по биологически значимым характеристикам, таким как форма, текстура и прозрачность объектов.
Для обучения модели логике эксперта биотехнологи из ИТМО и Санкт-Петербургского государственного технологического института создали более 100 тысяч микропрепаратов бактерий. Образцы были сфотографированы с разными увеличениями, освещением и окраской, что позволило приблизить условия работы алгоритма к реальным лабораторным условиям. В результате качество классификации бактерий с помощью новой системы достигло 97,5%.
В будущем ученые планируют провести тестирование модели в других лабораториях и на различном оборудовании, интегрировать ее в мультимодальные нейронные сети и добавить автоматические функции. Эта система может быть адаптирована для решения задач в микробиологии, медицинской лабораторной диагностике и образовании.
Источник: ТАСС
распечатать статью
