ライフ サイエンス業界でディープ ラーニングが検査を自動化する方法

ディープ ラーニングがライフ サイエンス業界の検査を自動化する方法

元の記事の出典: 作者ブライアン・ベノワ

ライフ サイエンス業界は、資本集約的な研究と医療機器で有名であり、医療画像処理、サンプル テスト、医薬品製造の実践を進歩させています。これらのデバイスには、マシン ビジョン機能が設計に組み込まれています。

しかし、特定のラボ オートメーション アプリケーションでは、マシン ビジョンは人間の心の柔軟性に十分に対応できず、判断に基づいた決定を下すことができません。コンピュータは、ビジーな背景や鏡面反射光などの画質の問題によって混乱することで有名です。これにより、従来のマシン ビジョン アルゴリズムでは対象物や対象領域を正確に特定すること、特に構造化されていないシーンの中で異常を特定することが非常に困難になります。自動化されたシステムが、無関係な機能を無視して関心領域をうまく特定することは、不可能ではないにしても、時間がかかり、難しい場合があります。

しかし今日では、ディープ ラーニング ベースの画像分析のブレークスルーにより、これらのアプリケーションを自動化して、マシン ビジョンの用語で言えば「ロバストに」、確実かつ繰り返し実行できるようになります。

ダウンロード:ライフ サイエンス向けディープ ラーニング ソリューション ガイド

ライフ サイエンスの欠陥検出

以前は人間による検査が必要だった臨床および研究用の顕微鏡アプリケーションが、ディープ ラーニング ベースの画像分析のアプリケーションによって再発明されています。たとえば、病理学的および組織学的サンプルでは、​​欠陥の可変的で予測不可能なパターンにもかかわらず、正確な欠陥検出とセグメンテーションが必要です。

組織学的 (細胞組織) スライド上で細胞異常や細胞損傷を検出するという課題を考えると、潜在的な視覚的外観は気が遠くなるようなものです.

がん細胞はさまざまな大きさや形で現れる可能性があり、そのさまざまな形態は、ほとんどの場合、似ているというよりも異なっています。大規模なプログラミングを行わずに、考えられるすべての異常を特定するように検査システムに学習させることは事実上不可能です。このような状況では、教師なしモードでのディープ ラーニング ベースの画像分析は、非常に正確で効率的な検査モードを提供します。

当社の細胞異常検出アプリケーションでは、トレーニング エンジニアが癌などの細胞異常のサンプル画像を使用して、細胞または細胞クラスターの正常な外観を概念化し、一般化するようソフトウェアに教えます。これらのスライドは、健康な細胞の「良い」例としてラベル付けされており、有糸分裂などの正常な健康な細胞バリアントを考慮しています。次に、実行時に、すべてのバリエーションが異常であり、セルの損傷を示す可能性が高いものとしてフラグが立てられます。このアプリケーションには、さらに 1 つの手順が必要です。

細胞または細胞クラスターにフラグが付けられると、特定の関心領域をリアルタイムで動的にセグメント化し、さらに検討する必要があります。結局のところ、その外観は標準から外れているため、細胞は潜在的な損傷を示しますが、必ずしも癌性であるとは限りません.これらのずれは、スライド上のアーティファクトが原因である可能性があります。

通常、人間の検査官 (おそらく病理学者) は、このサンプルのサブセットを確認して、確実な診断を行う必要があります。しかし、ここでも、コグネックスの深層学習ベースのソフトウェアは、サブセットのターゲット ゾーンに対してアルゴリズムを再実行できます。今回は監視モードで再トレーニングを行い、「良好」(許容可能、損傷なし) と「不良」(病的、損傷あり) を解析します。 ) セル。

ライフ サイエンスの光学式文字認識

多くの医療サプライヤーは、トレーサビリティと安全規制への準拠のために自動識別に依存しています。人間が判読できる英数字は、IV バッグのような伸縮性があり成形可能な素材に存在する場合、自動検査システムのカメラに変形したものとして簡単に表示されます。鏡面反射と反射もシステムを混乱させ、コードの自然な外観を覆い隠したり変更したりする可能性があります。

これらの視覚的なバリエーションがなくても、光学式文字検証 (OCV) の場合のように、検査システムがどのようなフォント スタイルになるかを予測できない場合、ビジョン システムにさまざまなフォントを認識するように教えるには、非常に時間がかかる可能性があります。出会い。ここで、事前トレーニング済みのオムニフォント ライブラリが役に立ちます。さまざまなフォントを認識するように事前トレーニングされたディープ ラーニング ベースのツールは、基本的にすぐに使用できます。事前の画像ベースのトレーニングは必要ありません。最小限のトレーニングは、モデルのロジックを改良するために見逃した文字に対してのみ行われます。

迅速で簡単な実装と限定的なアプリケーション調整により、深層学習ベースの OCR は、変形した文字、歪んだ文字、エッチングが不十分な文字を含むアプリケーション、またはカメラがさまざまな未知のフォントに確実に遭遇する検証アプリケーションに最適です。

ライフ サイエンス アセンブリの検証

臨床分析装置や体外診断装置などのラボ オートメーション デバイスは、マシン ビジョンに依存して、サンプルが完全に挿入され、最適なテスト条件に合わせられるようにします。診断デバイス メーカーの成功は、マシンの測定値と結果の精度にかかっています。おそらく最も重要なことは、テストが正確かつ均一に実行されるように、デバイスに正確なデータを提供する正確なテスト セットアップとデッキの組み立てに依存していることです。

検査サンプル (血液、尿、または組織) を正しく組み立てることは、汚染を脅かしたり、診断を混同したり誤って表示したり、高価な機器を遅くしたり壊したりする可能性のある潜在的なエラーを減らすために不可欠です。これらの検査中、自動化されたシステムは、試験管の位置がずれていたり、欠落していたり​​、キャップが取り外されていなかったり、分析装置のラックに余分な容器がロードされていないことを確認する必要があります。機器のラックに完全かつ正しく配置されていることを確認するには、いくつかの要因を管理する必要があります。サンプルおよび試薬のチューブと容器は、メーカーによって形状、サイズ、および寸法が異なり、マシンがデッキ上のサンプルの位置を予測することは不可能な場合があります。 .

テスト セットアップにおけるこれらの予測不可能なバリエーションにより、ディープ ラーニングを使用してアセンブリ検証を実行することは理にかなっています。コグネックスの深層学習ベースのソフトウェアは、一連のトレーニング画像に基づいて、さまざまなサンプルや試薬のさまざまな外観、およびそれらの予測不可能でさまざまな場所を学習できます。

このツールは、サンプルと試薬の特徴をサイズ、形状、および表面の特徴に基づいて一般化し、通常の外観と、デッキのラックまたはマイクロプレート上の一般的な位置を学習します。このように、ディープ ラーニングは、以前はプログラミングが困難であったアプリケーションを、迅速かつ高精度で展開しやすい方法で自動化し、解決することができます。

ライフ サイエンス分類

血液サンプルの品質を確認するには、依然としてかなりの量の人間の判断が必要です。これは、遠心分離およびインデックス化された適切に準備されたサンプルが、濁度と血漿の色について個別のスコアを受け取る必要があるためです。サンプルが分析機にどのようにロードされるかに基づいて、それらの外観は異なり、血液は比較的多かれ少なかれ分離して見える場合があります。これは索引付けに影響します。

たとえば、血漿、バフィー コート、および赤血球がより明確に層別化されているサンプルは、相が明確でないサンプルよりも高く評価されます。しかし、優れたワークフローに依存する高度に自動化されたラボ環境では、このアプローチは理想的ではありません。ありがたいことに、深層学習ベースの画像分析は、人間の知性を模倣し、遠心分離されたサンプルの分離の品質を評価できます。しかし、品質管理プロセスには、分類というもう 1 つのステップが含まれます。

合格グレードのサンプルのみがテストに許可されます。これにより、検査システムが「良好な」(すなわち、十分に分離された) 赤血球相の外観を一般化および概念化できることが不可欠になります。これは、サンプル処理で使用されるすべての基準である、血漿の色、濁度、バフィー コートの量などの要因に基づいて行われます。

ディープ ラーニングは、1 つの画像内で複数のオブジェクトをインテリジェントに分類、並べ替え、およびグレーディングできる唯一の自動化ツールです。この場合、Cognex Deep Learning は、単一の血液バイアル内で複数のクラスを分類して、テスト基準を満たすサンプルのみを識別して渡すことができます。

複雑なライフ サイエンス アプリケーション向けの最新の自動化ソリューションとして、コグネックスの深層学習ベースのツールは、ラボの自動化デバイスに直接設計される既製システムと OEM システムの両方として便利に利用できます。信頼性の高い結果が得られ、CPU や組み込み PC などのインフラストラクチャを追加する必要が少ないため、コグネックスのディープラーニング ベースのソフトウェアは、ライフ サイエンス業界のマシン ビジョン検査ツールの武器庫に自然に追加されます。