В Корейском институте стандартов и науки (KRISS) под руководством его президента Ли Хо Сёна разработали программу на основе искусственного интеллекта. Эта программа умеет быстро превращать плоские срезы биологических тканей, полученных с помощью электронного микроскопа, в объёмные трёхмерные модели.

Раньше учёным приходилось вручную обрабатывать каждое изображение. Теперь алгоритму нужно показать всего около десяти процентов всех снимков — он сам размечает остальные данные и обучается на них. После обучения нейросеть автоматически выделяет нужные структуры на срезах и собирает их в 3D-картинку. По сравнению со старым методом, новый подход сокращает время и деньги на создание объёмных моделей больше чем наполовину, а работать исследователям становится гораздо проще.

Электронный микроскоп делает серию снимков образца с шагом в несколько десятков нанометров. Из этих снимков потом собирают трёхмерную структуру. Такой метод позволяет разглядеть мельчайшие детали внутри клеток, поэтому он очень востребован в биологии и медицине.

Подробности опубликованы в издании Microscopy and Microanalysis.

Прежде чем собрать 3D-модель, нужно выполнить сегментацию изображений. Это процесс, в котором на каждом срезе определяют точное положение и форму нужных объектов — например, ядер клеток или митохондрий. Программа отсеивает всё лишнее и оставляет только важные детали. Без этого правильную объёмную реконструкцию не сделать.

Традиционная сегментация работала по принципу обучения с учителем: эксперты вручную просматривали сотни и тысячи снимков и карандашом обводили на них целевые структуры. Это отнимало уйму времени и сил, к тому же результат зависел от личного мнения и внимательности конкретного человека. Поэтому конечные модели часто получались не слишком надёжными и страдали от ошибок.

Чтобы решить эту проблему, группа разработки новых научных приборов в KRISS создала алгоритм с частичным обучением. Вот как он работает. У вас есть сто срезов с электронного микроскопа. Исследователь вручную размечает каждый десятый кадр. Алгоритм смотрит на эти отмеченные ориентиры и автоматически размечает остальные девяносто изображений. На выходе — готовый полный набор данных для обучения ИИ и последующей трёхмерной реконструкции.

Пояснение: разметка (или маркировка) данных — это когда вы говорите программе: вот это на снимке — ядро клетки, а это — митохондрия.

Когда алгоритм проверили на данных мозга мыши, он показал точность, которая отличалась от традиционного метода всего на три процента. При этом времени и денег на анализ ушло примерно в восемь раз меньше. Даже когда учёные взяли огромные снимки размером 4096 на 6144 пикселей, программа работала быстро и без сбоев.

Старший научный сотрудник Юн Даль Чжэ из группы разработки новых научных приборов KRISS рассказал:

Нашу технологию можно использовать не только в биологии, но и везде, где нужен автоматический анализ снимков — например, при поиске дефектов в микросхемах или создании новых материалов. Особенно она пригодится там, где трудно собрать данные для обучения нейросетей из-за врачебной тайны или нехватки денег.

Для дальнейших исследований эта разработка открывает две важные возможности. Во-первых, биологи и медики теперь могут быстро проверять гипотезы на больших объёмах данных, не тратя месяцы на ручную разметку. Во-вторых, подход подходит для любой области, где есть серии снимков — от геологии (изучение керна пород) до материаловедения (анализ сколов и покрытий).

В реальной жизни польза может проявиться в ускорении медицинской диагностики. Например, при анализе биопсии врачам часто нужно рассматривать много срезов ткани под микроскопом. Алгоритм может заранее выделять подозрительные участки и собирать их в объёмную модель, помогая патологоанатому не пропустить раковые клетки. Также технология полезна для разработки новых лекарств — быстрая 3D-реконструкция того, как препарат действует на клетки, способна заметно сократить доклинические исследования.

И несколько замечаний.

• Первое. Разработчики сообщают о точности в пределах трёх процентов от традиционного метода. Однако не уточняется, насколько высока точность самого «традиционного метода». Если ручная разметка давала погрешность, скажем, 10–15%, то плюс-минус 3% от неё — это всё ещё потенциально значительная ошибка, особенно для биологии клетки, где важны детали размером в десятки нанометров.
• Второе. Исследование выполнено на данных мозга мыши. Мышиные клетки и ткани человека различаются по плотности, форме органелл и степени однородности. Авторы не приводят данных о том, как алгоритм поведёт себя на более сложных, нерегулярных или повреждённых образцах. Без таких тестов говорить о широком применении в медицине преждевременно.
• Третье. Сама идея «разметить каждое десятое изображение» работает только тогда, когда соседние срезы мало отличаются друг от друга. Если образец имеет резкие перепады формы — например, содержит крупный сосуд или разрыв ткани — алгоритм может ошибиться при интерполяции между отмеченными кадрами. Авторы не описывают такие пограничные случаи.

Ранее ученым удалось разглядеть наночастицы в движении.