การวิเคราะห์ภาพด้วยปัญญาประดิษฐ์เพื่อการควบคุมคุณภาพการเพาะเลี้ยงเซลล์

การวิเคราะห์ภาพด้วยปัญญาประดิษฐ์เพื่อการควบคุมคุณภาพการเพาะเลี้ยงเซลล์

ที่ Cytion เราเข้าใจว่าการประเมินสุขภาพของเซลล์เพาะเลี้ยงด้วยภาพเป็นสิ่งสำคัญพื้นฐานในการผลิตเซลล์และสายพันธุ์เซลล์คุณภาพสูง การควบคุมคุณภาพแบบดั้งเดิมที่ใช้กล้องจุลทรรศน์อาศัยความเชี่ยวชาญของมนุษย์และการตีความเชิงอัตวิสัยเป็นหลัก ซึ่งอาจแตกต่างกันไปตามผู้ปฏิบัติงานและช่วงเวลาการวิเคราะห์ภาพด้วยปัญญาประดิษฐ์เปลี่ยนกระบวนการที่เป็นอัตวิสัยนี้ให้กลายเป็นระบบการควบคุมคุณภาพที่เป็นเชิงปริมาณ มีความเป็นวัตถุวิสัย และสามารถขยายขนาดได้ ซึ่งรับประกันคุณภาพของผลิตภัณฑ์ที่สม่ำเสมอในทุกผลิตภัณฑ์สายเซลล์ของเรา ด้วยการใช้ประโยชน์จากอัลกอริทึมการเรียนรู้เชิงลึก รวมถึงสถาปัตยกรรม U-Net สำหรับการแบ่งส่วน, โมเดล ResNet-50 และ EfficientNet สำหรับการจำแนกประเภท, และเทคนิคการมองเห็นด้วยคอมพิวเตอร์ขั้นสูง เช่น การเรียนรู้แบบถ่ายโอนและวิธีการรวมกลุ่ม เราสามารถตรวจจับการเปลี่ยนแปลงที่ละเอียดอ่อนในรูปร่างของเซลล์, ระบุการปนเปื้อนได้เร็วขึ้น, และตัดสินใจโดยใช้ข้อมูลเกี่ยวกับสุขภาพของการเพาะเลี้ยงและความพร้อมสำหรับการประยุกต์ใช้ในขั้นตอนต่อไประบบ AI ของเราประมวลผลภาพมากกว่า 50,000 ภาพต่อเดือน จากการผลิตเซลล์ HeLa,เซลล์ HEK293 และสายพันธุ์เซลล์สำคัญอื่น ๆ โดยให้การประเมินคุณภาพที่สม่ำเสมอด้วยความแม่นยำเกินกว่า 95% ในหลายพารามิเตอร์

ความสามารถในการวิเคราะห์ด้วยปัญญาประดิษฐ์	การประยุกต์ใช้การควบคุมคุณภาพ	ข้อได้เปรียบเหนือการประเมินด้วยตนเอง
การวัดคอนฟลูเอนซ์อัตโนมัติ	กำหนดเวลาที่เหมาะสมที่สุดสำหรับการผ่าน	±2% ความแม่นยำ เทียบกับ ±15-20% ความแปรปรวนจากการวัดด้วยมือ
การจำแนกประเภททางสัณฐานวิทยา	ตรวจจับการเปลี่ยนแปลงทางฟีโนไทป์และการแยกตัว	ระบุการเปลี่ยนแปลงที่ละเอียดอ่อนซึ่งไม่สามารถมองเห็นได้ด้วยตาเปล่า
การตรวจหาการปนเปื้อน	การตรวจพบเชื้อแบคทีเรีย เชื้อรา และไมโคพลาสมาในระยะแรก	ตรวจพบได้เร็วกว่าการตรวจสอบด้วยสายตา 24-48 ชั่วโมง
การประเมินความเป็นไปได้	การตรวจสอบสุขภาพเซลล์แบบไม่รุกล้ำ	การตรวจสอบอย่างต่อเนื่องโดยไม่ต้องใช้การทดสอบด้วยสีย้อม
การวิเคราะห์ลักษณะหลายพารามิเตอร์	การวิเคราะห์ลักษณะเซลล์ไลน์อย่างครอบคลุม	การวิเคราะห์พร้อมกันของ 50+ คุณลักษณะ เทียบกับ 3-5 คุณลักษณะที่วิเคราะห์ด้วยมือ

การปฏิวัติการเรียนรู้เชิงลึกในการวิเคราะห์ภาพเซลล์

การประยุกต์ใช้การเรียนรู้เชิงลึกกับการถ่ายภาพเซลล์เพาะเลี้ยงถือเป็นการเปลี่ยนแปลงพื้นฐานในวิธีการควบคุมคุณภาพของเรา ไม่เหมือนกับอัลกอริทึมการวิเคราะห์ภาพแบบดั้งเดิมที่ต้องมีการเขียนโปรแกรมคุณสมบัติที่ต้องการตรวจจับอย่างชัดเจน โมเดลการเรียนรู้เชิงลึกสามารถเรียนรู้คุณสมบัติที่เกี่ยวข้องได้เองจากภาพฝึกอบรมนับพันภาพที่ Cytion เราได้พัฒนาโครงสร้างเครือข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ที่ปรับแต่งเฉพาะตามแบบจำลองที่พิสูจน์แล้ว เช่น U-Net สำหรับการแบ่งส่วนเชิงความหมาย (การระบุขอบเขตของเซลล์ด้วยความแม่นยำระดับพิกเซล) ResNet-50 สำหรับการสกัดคุณลักษณะ (การเรียนรู้การแทนแบบลำดับชั้นจากพิกเซลดิบ) และ EfficientNetB4 สำหรับงานจำแนกประเภท (การแยกแยะเซลล์ที่แข็งแรงจากเซลล์ที่เครียด)โมเดลของเราได้รับการฝึกฝนบนฐานข้อมูลภาพขนาดใหญ่—ปัจจุบันมีมากกว่า 150,000 ภาพที่มีการระบุข้อมูล (annotated) ครอบคลุมเซลล์มากกว่า 200 ชนิด จำนวนรอบการเลี้ยงเซลล์หลายระดับ (P2-P30) สภาพการเพาะเลี้ยงที่หลากหลาย (มาตรฐาน, ภายใต้สภาวะเครียด, มีการปนเปื้อน) และเทคนิคการถ่ายภาพหลายรูปแบบ (เฟสคอนทราสต์, ไบรท์ฟิลด์, ฟลูออเรสเซนต์)โมเดลเหล่านี้มีความแม่นยำในการประมาณค่าความสมบูรณ์ของเซลล์ >95% ความไวในการตรวจจับการปนเปื้อน >92% และความแม่นยำในการจำแนกสัณฐานวิทยา >88%กระบวนการฝึกอบรมใช้เทคนิคการเพิ่มข้อมูล (การหมุน การพลิก การปรับความสว่าง การเปลี่ยนรูปยืดหยุ่น) เพื่อปรับปรุงความทนทานของโมเดลและการถ่ายโอนการเรียนรู้จากน้ำหนักที่ฝึกไว้ล่วงหน้าจาก ImageNet เพื่อเร่งการบรรจบกัน การฝึกอบรมโมเดลดำเนินการบนคลัสเตอร์ GPU NVIDIA A100 โดยมีขนาดแบตช์ 32-64 ภาพ และเวลาฝึกอบรม 12-48 ชั่วโมง ขึ้นอยู่กับความซับซ้อนของโมเดล โดยใช้ Adam optimizer พร้อมการกำหนดอัตราเรียนรู้และการหยุดการฝึกอบรมก่อนกำหนดตามประสิทธิภาพของชุดข้อมูลตรวจสอบ

การวัดและการติดตามการเติบโตของคอนฟลิวเอนซ์โดยอัตโนมัติ

การวัดการรวมตัว—การกำหนดเปอร์เซ็นต์ของพื้นผิววัฒนธรรมที่ถูกปกคลุมด้วยเซลล์—เป็นหนึ่งในประเมินที่สำคัญที่สุดแต่ก็มีความเป็นอัตวิสัยสูงในวัฒนธรรมเซลล์ ที่ Cytion เราใช้สถาปัตยกรรมเครือข่ายประสาทเทียมแบบ U-Net ที่ออกแบบมาเฉพาะสำหรับงานการแบ่งส่วนเชิงความหมาย สามารถจำแนกพื้นที่เซลล์กับพื้นหลังในระดับพิกเซลได้ด้วยการให้คะแนน Intersection over Union (IoU) ที่เกินกว่า 0.90การนำ U-Net ของเราไปใช้มีเส้นทางที่แคบลง (encoder) พร้อมขั้นตอนการลดขนาด 4 ขั้นตอน โดยใช้การคอนโวลูชัน 3×3 และการรวมค่าสูงสุด 2×2 และเส้นทางที่ขยายออก (decoder) พร้อมการเพิ่มขนาดและการเชื่อมต่อแบบข้ามที่รักษาข้อมูลเชิงพื้นที่จากชั้นก่อนหน้าไว้เครือข่ายได้รับการฝึกฝนบนภาพที่มีการระบุขอบเขตเซลล์โดยผู้เชี่ยวชาญด้านเซลล์คัลเจอร์ด้วยมือ โดยใช้การผสมผสานระหว่างฟังก์ชันความสูญเสียแบบไบนารีครอสเอนโทรปีและฟังก์ชันความสูญเสียแบบ Dice เพื่อจัดการกับความไม่สมดุลของคลาสโมเดลที่ได้รับการฝึกฝนสามารถประมวลผลภาพขนาด 2048×2048 พิกเซล ในเวลาต่ำกว่า 300 มิลลิวินาทีบน GPU โดยสร้างแผนที่ความน่าจะเป็นแบบพิกเซลต่อพิกเซล ซึ่งจะถูกกำหนดค่าเกณฑ์เพื่อสร้างมาสก์แบบไบนารี จากนั้นคำนวณเปอร์เซ็นต์การรวมตัวกัน (confluence percentage) จาก (จำนวนพิกเซลของเซลล์ / จำนวนพิกเซลทั้งหมด) × 100 การวัดการรวมตัวกันแบบอัตโนมัตินี้มีความแม่นยำภายใน ±2% เมื่อเทียบกับการประเมินโดยผู้เชี่ยวชาญที่ทำด้วยมือ ซึ่งมีความคลาดเคลื่อนระหว่าง ±15-20% เมื่อเปรียบเทียบกับผู้สังเกตการณ์มนุษย์ที่แตกต่างกันนอกเหนือจากการวัดค่าเพียงครั้งเดียว ระบบของเราติดตามการรวมตัวของเซลล์อย่างต่อเนื่องตามเวลาเพื่อสร้างกราฟการเจริญเติบโต (โดยพล็อตค่าความหนาแน่นของเซลล์เทียบกับเวลา พร้อมการปรับกราฟด้วยเส้นโค้งแบบเอ็กซ์โพเนนเชียล) ซึ่งช่วยให้สามารถคำนวณเวลาที่ใช้ในการเพิ่มจำนวนเป็นสองเท่า (doubling time) ทำนายช่วงเวลาที่เหมาะสมสำหรับการเปลี่ยนอาหารเลี้ยงเซลล์ (โดยทั่วไปที่ความหนาแน่น 80-90%) และระบุวัฒนธรรมเซลล์ที่เจริญเติบโตช้ากว่าปกติ (ต่ำกว่าค่าเฉลี่ยที่คาดหวังมากกว่า 2 เท่าของส่วนเบี่ยงเบนมาตรฐาน) ซึ่งอาจบ่งชี้ถึงการเสื่อมสภาพของสายพันธุ์เซลล์ ปัญหาคุณภาพอาหารเลี้ยงเซลล์ หรือปัญหาตู้บ่มเพาะสำหรับแคตตาล็อกเซลล์และสายเซลล์ของเรา การติดตามการเจริญเติบโตอย่างแม่นยำนี้ช่วยให้มั่นใจได้ถึงเวลาเก็บเกี่ยวที่เหมาะสมที่สุด ซึ่งช่วยเพิ่มคุณภาพและความมีชีวิตของเซลล์ให้สูงสุด

การวิเคราะห์สัณฐานวิทยาและความคงตัวของฟีโนไทป์

รูปร่างของเซลล์ให้ข้อมูลที่สมบูรณ์เกี่ยวกับสุขภาพของเซลล์, ตัวตน, และสภาพการทำงาน. ที่ Cytion, เราทำการสกัดคุณลักษณะทางรูปร่างอย่างครอบคลุมโดยใช้การวิเคราะห์ภาพด้วยคอมพิวเตอร์และระบบการสกัดคุณลักษณะที่อาศัยการเรียนรู้ลึก.หลังจากการแบ่งเซลล์แล้ว เราจะคำนวณตัวบ่งชี้ทางสัณฐานวิทยาแบบคลาสสิก ซึ่งรวมถึงพื้นที่ของเซลล์ (µm²), เส้นรอบรูป (µm), ความกลม (4π×พื้นที่/เส้นรอบรูป²), อัตราส่วนด้าน (แกนหลัก/แกนรอง), ความหนาแน่น (พื้นที่/พื้นที่ของเปลือกนูน) และคุณลักษณะของพื้นผิวตามเมทริกซ์การเกิดร่วมของระดับสีเทา (GLCM) ซึ่งรวมถึงความคมชัด, ความสัมพันธ์, พลังงาน, และความสม่ำเสมอนอกจากนี้ เราใช้เครือข่ายการเรียนรู้เชิงลึกแบบ ResNet-50 ที่ผ่านการฝึกฝนล่วงหน้าบน ImageNet และปรับแต่งเพิ่มเติมบนชุดข้อมูลภาพเซลล์ของเรา เพื่อดึงเอาเวกเตอร์คุณลักษณะเชิงลึกที่มีมิติ 2,048 มิติ ซึ่งสามารถจับรูปแบบทางสัณฐานวิทยาที่ละเอียดอ่อนซึ่งไม่สามารถอธิบายได้ง่ายด้วยคุณลักษณะที่สร้างขึ้นด้วยมือคุณลักษณะหลายระดับเหล่านี้ (ซึ่งรวมการวัดรูปร่างแบบดั้งเดิมเข้ากับคุณลักษณะเชิงลึก) ถูกป้อนเข้าสู่ตัวจำแนกแบบ Random Forest (100 ต้นไม้, เกณฑ์ความไม่บริสุทธิ์ของ Gini) หรือเครื่องจักรเวกเตอร์สนับสนุน (RBF kernel, C=1.0, gamma=auto) ที่แยกแยะสัณฐานวิทยาปกติจากฟีโนไทป์ที่ผิดปกติด้วยความแม่นยำ >92%เพื่อการควบคุมคุณภาพ เราได้รักษาโปรไฟล์สัณฐานวิทยาอ้างอิงสำหรับแต่ละสายเซลล์ในแคตตาล็อกของเราไว้—ตัวอย่างเช่นเซลล์ HeLaมีลักษณะสัณฐานวิทยาของเซลล์เยื่อบุผิวที่มีค่าเฉลี่ยพื้นที่ 450±80 µm² ความกลม 0.65±0.12ในขณะที่เซลล์ HEK293มีพื้นที่ 380±70 µm² พร้อมความกลมที่สูงกว่า 0.72±0.10การตรวจจับการเบี่ยงเบนทางสัณฐานวิทยาใช้สถิติ Hotelling's T² เพื่อทดสอบว่าสัณฐานวิทยาของชุดปัจจุบันเบี่ยงเบนอย่างมีนัยสำคัญจากค่าการกระจายอ้างอิงหรือไม่ (เกณฑ์ p<0.05) โดยจะแจ้งเตือนให้ตรวจสอบวัฒนธรรมเมื่อมีการเปลี่ยนแปลงทางฟีโนไทป์ที่อาจบ่งชี้ถึงการแยกตัวที่ไม่พึงประสงค์ การเบี่ยงเบนทางพันธุกรรม หรือสภาพการเพาะเลี้ยงที่ไม่เหมาะสม

การตรวจจับการปนเปื้อนในระยะเริ่มต้น

การปนเปื้อนเป็นหนึ่งในภัยคุกคามที่ร้ายแรงที่สุดต่อการดำเนินงานเพาะเลี้ยงเซลล์ ซึ่งอาจส่งผลให้เกิดการสูญเสียวัฒนธรรมเซลล์ การสูญเสียทรัพยากร และผลลัพธ์การทดลองที่ไม่น่าเชื่อถือที่ Cytion เราได้พัฒนาแบบจำลองการตรวจจับการปนเปื้อนเฉพาะทาง ซึ่งได้รับการฝึกฝนบนชุดข้อมูลที่คัดสรรมาอย่างดีของการเพาะเลี้ยงที่ปนเปื้อน รวมถึงการปนเปื้อนจากแบคทีเรีย (มีลักษณะการเพิ่มขึ้นอย่างรวดเร็วของเศษอนุภาคขนาดเล็ก ความขุ่นของอาหารเลี้ยงเชื้อ การเปลี่ยนแปลงค่า pH ที่เห็นได้จากการเปลี่ยนสีในอาหารที่มี phenol red) การปนเปื้อนจากเชื้อรา (เห็นได้จากโครงสร้างเส้นใยรา สปอร์) และการติดเชื้อไมโคพลาสมา (การเปลี่ยนแปลงรูปร่างที่ละเอียดอ่อน อัตราการเจริญเติบโตลดลง ความหยาบของเนื้อเพิ่มขึ้น)ระบบตรวจจับของเราใช้สถาปัตยกรรม EfficientNetB4 (พารามิเตอร์ 16.8 ล้านตัวแปร, การปรับขนาดเชิงซ้อนของความลึก, ความกว้าง และความละเอียด) ที่ได้รับการฝึกฝนโดยใช้แนวทางสองขั้นตอน: ขั้นแรก, การจำแนกประเภทเป็นหมวดหมู่สะอาด vs ปนเปื้อน (การสูญเสียครอสเอนโทรปีแบบไบนารี, ได้ค่า AUC-ROC 0.96);สอง. การจำแนกประเภทหลายคลาสเพื่อระบุชนิดของสิ่งปนเปื้อน (categorical cross-entropy, ความถูกต้อง 85% ในหมวดหมู่แบคทีเรีย/เชื้อรา/ไมโคพลาสมา/ยีสต์) แบบจำลองวิเคราะห์ลักษณะของภาพหลายประการ รวมถึงการกระจายตัวของอนุภาคที่ไม่ปกติ (ตรวจพบผ่านอัลกอริทึมการตรวจจับกลุ่มจุด), การเปลี่ยนแปลงของลักษณะสื่อ (การเปลี่ยนแปลงสีที่วัดได้ในระบบสี LAB), และรูปแบบของรูปร่างเซลล์ที่ผิดปกติการวิเคราะห์อนุกรมเวลาที่เปรียบเทียบภาพปัจจุบันกับข้อมูลพื้นฐานในอดีตในช่วง 24-48 ชั่วโมง ช่วยให้สามารถตรวจจับการปนเปื้อนที่กำลังเกิดขึ้นได้ก่อนที่จะปรากฏให้เห็นด้วยตาเปล่า โดยทั่วไปจะให้การเตือนล่วงหน้า 24-48 ชั่วโมงเมื่อเทียบกับการตรวจสอบด้วยมือ เมื่อความน่าจะเป็นของการปนเปื้อนเกินเกณฑ์ 0.7 ระบบจะแจ้งเตือนอัตโนมัติไปยังเจ้าหน้าที่ควบคุมคุณภาพผ่านทางอีเมลและการแจ้งเตือน LIMS เพื่อกระตุ้นให้ดำเนินการตรวจสอบทันที ซึ่งรวมถึงการยืนยันด้วยสายตา การย้อมสีแกรม (สำหรับการปนเปื้อนของแบคทีเรีย) และการทดสอบ PCR สำหรับไมโคพลาสมาการเฝ้าระวังการปนเปื้อนที่ได้รับการเสริมประสิทธิภาพด้วย AI นี้ได้ลดการสูญเสียชุดการผลิตที่เกี่ยวข้องกับการปนเปื้อนลง 60% ที่ Cytion ผ่านการตรวจจับและการแทรกแซงที่เร็วขึ้น ซึ่งมีคุณค่าอย่างยิ่งสำหรับการเพาะเลี้ยงระยะยาวและโครงการพัฒนาสายเซลล์ที่มีมูลค่าสูง ซึ่งการปนเปื้อนที่เกิดขึ้นในช่วงท้ายของกระบวนการจะหมายถึงการสูญเสียทรัพยากรอย่างมีนัยสำคัญ

การประเมินความสามารถในการดำรงชีวิตแบบไม่รุกล้ำ

การประเมินความมีชีวิตแบบดั้งเดิมโดยใช้ trypan blue หรือสีย้อมที่ไม่สามารถซึมผ่านเยื่อหุ้มเซลล์อื่น ๆ จำเป็นต้องเก็บตัวอย่างเซลล์จากวัฒนธรรม ซึ่งเป็นการทำลายเซลล์และจำกัดความละเอียดเชิงเวลาที่ Cytion เราได้พัฒนาแบบจำลองการคาดการณ์ความมีชีวิตของเซลล์โดยอาศัยลักษณะทางสัณฐานวิทยา ซึ่งสามารถประเมินความมีชีวิตของเซลล์ได้จากภาพแบบ brightfield หรือ phase-contrast โดยไม่ต้องติดฉลากเซลล์ ด้วยการใช้การเรียนรู้ของเครื่อง (machine learning) วิธีการนี้ตั้งอยู่บนพื้นฐานของการสังเกตว่าเซลล์ที่กำลังตายและเซลล์ที่ตายแล้วจะแสดงลักษณะทางสัณฐานวิทยาเฉพาะ ได้แก่ การหดตัวของเซลล์ การเกิดฟองอากาศที่เยื่อหุ้มเซลล์ การเกิดเม็ดในไซโทพลาซึม การสูญเสียการยึดเกาะระหว่างเซลล์กับพื้นผิว และการเพิ่มการหักเหของแสงเราดึงคุณลักษณะทางสัณฐานวิทยาและลักษณะพื้นผิว 156 รายการจากเซลล์ที่แยกแต่ละเซลล์ จากนั้นใช้การคัดเลือกคุณลักษณะ (การกำจัดคุณลักษณะแบบวนซ้ำพร้อมการตรวจสอบข้าม) เพื่อระบุคุณลักษณะที่ทำนายได้ดีที่สุด 35 รายการ ซึ่งรวมถึงพื้นที่เซลล์ ความไม่สม่ำเสมอของเส้นรอบรูป ความเข้มของพิกเซลเฉลี่ย ความแปรปรวนของความเข้ม และตัวบ่งชี้ลักษณะพื้นผิว GLCMแบบจำลองการถดถอยแบบ Gradient Boosting (XGBoost พร้อมตัวประมาณค่า 200 ตัว อัตราการเรียนรู้ 0.1 ความลึกสูงสุด 6) ที่ฝึกฝนด้วยคุณลักษณะเหล่านี้ทำนายเปอร์เซ็นต์ความมีชีวิตได้ โดยมีค่า R²=0.87 เมื่อตรวจสอบความถูกต้องกับการวัดมาตรฐานทองคำด้วยวิธี trypan blue exclusion ที่ดำเนินการกับตัวอย่างคู่ขนานโมเดลนี้ได้รับการฝึกฝนจากคู่ของภาพความมีชีวิต 12,000 คู่ ครอบคลุมช่วงความมีชีวิตตั้งแต่ 50% ถึง 99% ในหลายประเภทของเซลล์และจำนวนครั้งที่ผ่านกระบวนการ สำหรับการตรวจสอบการผลิต ระบบจะประมวลผลภาพที่ถ่ายทุก 2-4 ชั่วโมงโดยระบบวิเคราะห์เซลล์มีชีวิต IncuCyte และสร้างข้อมูลแนวโน้มความมีชีวิตอย่างต่อเนื่องโดยไม่รบกวนการเพาะเลี้ยงการลดลงของความมีชีวิตอย่างฉับพลัน (>10% ภายใน 12 ชั่วโมง) จะกระตุ้นการแจ้งเตือนเพื่อตรวจสอบ ในขณะที่แนวโน้มการลดลงอย่างค่อยเป็นค่อยไปจะแจ้งให้ทราบถึงเวลาที่เหมาะสมในการถ่ายเซลล์—โดยทั่วไปเราจะถ่ายเซลล์เมื่อความมีชีวิตคาดการณ์ได้ >90% เพื่อรักษาสุขภาพของเซลล์ การตรวจสอบความมีชีวิตแบบไม่รุกล้ำนี้มีคุณค่าอย่างยิ่งสำหรับการเพาะเลี้ยงแบบแขวนลอยและระบบไบโอรีแอคเตอร์ที่การเก็บตัวอย่างแบบดั้งเดิมอาจรบกวนมาก และสำหรับการทดลองคัดกรองที่การรักษาความสมบูรณ์ของวัฒนธรรมควบคู่ไปกับการตรวจสอบสุขภาพของเซลล์เป็นสิ่งสำคัญ

การให้คะแนนคุณภาพแบบหลายพารามิเตอร์

แทนที่จะพึ่งพาตัวชี้วัดเพียงตัวเดียว ระบบ AI สามารถผสานรวมพารามิเตอร์ที่ได้จากภาพหลายตัวเข้าไว้ในคะแนนคุณภาพที่ครอบคลุมได้ที่ Cytion เราได้พัฒนารูปแบบการประเมินคุณภาพแบบองค์รวมที่ผสมผสานการประเมินความสมบูรณ์ (เป้าหมาย 80-90% สำหรับการผ่าน), คะแนนสัณฐานวิทยา (0-100 ระดับ, >75 บ่งชี้ถึงสัณฐานวิทยาปกติ), การประเมินความมีชีวิต (>90% เป้าหมาย), ความเสี่ยงการปนเปื้อน (<0.1 เกณฑ์ความน่าจะเป็น), และความสม่ำเสมอของการเพาะเลี้ยง (สัมประสิทธิ์ความแปรปรวนในขนาด/รูปร่างของเซลล์,(เป้าหมาย <20%) เป็นคะแนน QC โดยรวมโดยใช้วิธีการรวมแบบถ่วงน้ำหนักการรวมกันนี้ใช้การคาดการณ์จากแบบจำลองเฉพาะทาง: U-Net confluence (น้ำหนัก 0.25), ResNet-50 morphology classifier (น้ำหนัก 0.30), EfficientNet contamination detector (น้ำหนัก 0.25), XGBoost viability regression (น้ำหนัก 0.15) โดยมีการปรับน้ำหนักให้เหมาะสมผ่านการค้นหาแบบตารางบนชุดข้อมูลที่ใช้ในการตรวจสอบเพื่อเพิ่มค่าสหสัมพันธ์กับการตัดสินใจของผู้เชี่ยวชาญ QC ให้สูงสุดคะแนน QC สุดท้ายมีช่วง 0-100 โดยมีกฎการตัดสินใจอัตโนมัติ: คะแนน ≥85 = ผ่าน (ดำเนินการต่อไปยังขั้นตอนถัดไป/เก็บเกี่ยว), 70-84 = ชายขอบ (แจ้งเตือนเพื่อตรวจสอบด้วยมือ), <70 = ไม่ผ่าน (ตรวจสอบหรือทิ้ง)การประเมินหลายพารามิเตอร์เหล่านี้ให้เกณฑ์เชิงปริมาณที่เป็นกลางสำหรับการตัดสินใจปล่อยในกระบวนการผลิต—ที่ Cytion การเพาะเลี้ยงจะต้องมีคะแนน QC ≥85 ก่อนที่จะสามารถดำเนินการไปยังขั้นตอนถัดไปหรือเก็บเกี่ยวขั้นสุดท้ายได้ เพื่อให้มั่นใจในคุณภาพของผลิตภัณฑ์ที่สม่ำเสมอการวิเคราะห์ข้อมูลการผลิตของเราแสดงให้เห็นถึงความสัมพันธ์ที่แข็งแกร่ง (r=0.82) ระหว่างคะแนน AI QC และตัวชี้วัดประสิทธิภาพการเพาะเลี้ยงในขั้นตอนถัดไป ซึ่งรวมถึงอัตราการรอดชีวิตหลังการผ่านและอัตราความสำเร็จในการขยายพันธุ์ ซึ่งยืนยันถึงคุณค่าในการทำนายของวิธีการให้คะแนนแบบบูรณาการ ระบบให้คะแนนอัตโนมัติสามารถประมวลผลภาพไมโครเพลทที่สมบูรณ์ (96 หลุม) ได้ภายใน 8-12 นาที เมื่อเทียบกับการตรวจสอบด้วยกล้องจุลทรรศน์ด้วยมือที่ใช้เวลา 45-60 นาที ทำให้สามารถตัดสินใจ QC แบบเรียลไทม์ได้ ซึ่งช่วยให้กระบวนการผลิตดำเนินไปอย่างมีประสิทธิภาพ

การเรียนรู้แบบถ่ายโอนและการปรับแบบจำลอง

หนึ่งในความท้าทายของการนำ AI มาใช้ในการวิเคราะห์การเพาะเลี้ยงเซลล์คือความต้องการชุดข้อมูลฝึกขนาดใหญ่ โดยเฉพาะอย่างยิ่งสำหรับสายเซลล์เฉพาะทางหรือสายเซลล์ที่หายาก การเรียนรู้แบบถ่ายโอน (Transfer Learning) แก้ไขปัญหานี้โดยเริ่มต้นด้วยโมเดลที่ผ่านการฝึกฝนล่วงหน้าจากชุดข้อมูลภาพทั่วไปขนาดใหญ่ (เช่น ImageNet ที่มีภาพ 1.4 ล้านภาพและ 1,000 หมวดหมู่) จากนั้นจึงปรับแต่งเพิ่มเติมกับภาพเฉพาะของการเพาะเลี้ยงเซลล์ที่ Cytion เราใช้การเรียนรู้แบบถ่ายโอน (Transfer Learning) อย่างกว้างขวาง: เราเริ่มต้นโมเดลของเราด้วยน้ำหนักที่ฝึกฝนล่วงหน้าจาก ImageNet (เช่น ResNet-50, EfficientNetB4) จากนั้นปรับแต่งชั้นสุดท้ายหรือทั้งเครือข่ายโดยใช้ชุดข้อมูลภาพเซลล์ของเรา ซึ่งช่วยลดความต้องการข้อมูลการฝึกฝนได้อย่างมากตัวอย่างเช่น การพัฒนาตัวจำแนกสัณฐานวิทยาใหม่ตั้งแต่เริ่มต้นอาจต้องใช้ภาพที่มีการกำกับข้อมูลมากกว่า 10,000 ภาพ ในขณะที่การเรียนรู้แบบถ่ายโอนสามารถให้ประสิทธิภาพที่ใกล้เคียงกันด้วยภาพเพียง 1,000-2,000 ภาพโปรโตคอลการปรับแต่งของเราใช้ค่าอัตราการเรียนรู้ที่ต่ำกว่า (1e-4 ถึง 1e-5) เมื่อเทียบกับการฝึกฝนจากศูนย์ (1e-2 ถึง 1e-3) โดยทั่วไปจะฝึกฝนประมาณ 20-50 อีปอค พร้อมหยุดการฝึกฝนก่อนกำหนดตามค่าสูญเสียของการตรวจสอบความถูกต้อง และใช้ค่าอัตราการเรียนรู้แบบเลือกสรร ซึ่งหมายความว่าชั้นที่มาก่อน (คุณลักษณะทั่วไป) จะอัปเดตช้า ในขณะที่ชั้นที่ตามมา (คุณลักษณะเฉพาะเซลล์) จะอัปเดตเร็วขึ้นสำหรับสายเซลล์ใหม่ที่เพิ่มในแคตตาล็อกเซลล์และสายเซลล์ของเราเราใช้การเรียนรู้อย่างต่อเนื่องโดยที่โมเดลจะถูกฝึกใหม่เป็นระยะๆ ด้วยภาพที่สะสมจากชุดการผลิต โดยทั่วไปจะอัปเดตทุกไตรมาสซึ่งรวมภาพใหม่ที่ได้รับการตรวจสอบแล้ว 500-1000 ภาพ เพื่อรักษาความแม่นยำของโมเดลในขณะที่พอร์ตโฟลิโอสายเซลล์ของเราขยายตัวเทคนิคการปรับโดเมน เช่น Maximum Mean Discrepancy (MMD) และการฝึกอบรมแบบแข่งขัน (adversarial training) ช่วยให้แบบจำลองสามารถนำไปใช้ได้กับแพลตฟอร์มการถ่ายภาพที่หลากหลาย—เราฝึกอบรมบนข้อมูลจากระบบกล้องจุลทรรศน์หลายระบบ (IncuCyte, ImageXpress, EVOS) เพื่อให้มั่นใจในประสิทธิภาพที่มั่นคงไม่ว่าจะใช้ฮาร์ดแวร์ในการเก็บข้อมูลใดก็ตาม

AI ที่สามารถอธิบายได้ และการประกันคุณภาพ

แม้ว่าโมเดลการเรียนรู้เชิงลึกจะสามารถบรรลุความแม่นยำที่น่าประทับใจได้ แต่ลักษณะ "กล่องดำ" ของพวกมันอาจเป็นปัญหาสำหรับการประยุกต์ใช้การควบคุมคุณภาพที่การเข้าใจพื้นฐานของการตัดสินใจเป็นสิ่งสำคัญที่ Cytion เราใช้เทคนิค AI ที่อธิบายได้ (XAI) เพื่อให้การตัดสินใจของโมเดลสามารถตีความได้และน่าเชื่อถือ เราใช้ Grad-CAM (Gradient-weighted Class Activation Mapping) เพื่อสร้างแผนที่ความร้อนที่เน้นให้เห็นว่าบริเวณใดของภาพที่มีอิทธิพลต่อการตัดสินใจในการจำแนกประเภทมากที่สุด—ตัวอย่างเช่น แสดงให้เห็นว่าการตรวจจับการปนเปื้อนมุ่งเน้นไปที่อนุภาคเศษซากและการเปลี่ยนแปลงทางสัณฐานวิทยามากกว่าคุณลักษณะพื้นหลังที่ไม่เกี่ยวข้องค่า SHAP (SHapley Additive exPlanations) วัดปริมาณการมีส่วนร่วมของแต่ละคุณลักษณะต่อการทำนายแต่ละรายการ เผยให้เห็นว่าการทำนายการรวมกันนั้นขึ้นอยู่กับค่าความหนาแน่นของเซลล์และตัวชี้วัดการครอบคลุมเป็นหลัก ในขณะที่การทำนายความมีชีวิตรอดให้น้ำหนักกับคุณลักษณะความสมบูรณ์ของเยื่อหุ้มเซลล์และเนื้อเยื่อของไซโทพลาสมากเป็นหลักสำหรับการจำแนกประเภททางสัณฐานวิทยา เราแสดงภาพตัวกรองที่เรียนรู้ในชั้นการม้วนตัว แสดงให้เห็นว่าชั้นต้นสามารถตรวจจับขอบและพื้นผิวได้ ในขณะที่ชั้นลึกสามารถจดจำรูปแบบเฉพาะของเซลล์ เช่น การก่อตัวของแผ่นเยื่อบุผิวในเซลล์ HeLa หรือกระบวนการคล้ายเส้นใยประสาทในเซลล์ที่แตกต่างออกไปการนำเสนอภาพ XAI เหล่านี้มีวัตถุประสงค์หลายประการ: สร้างความไว้วางใจในหมู่บุคลากร QC ที่สามารถตรวจสอบได้ว่า AI กำลังตัดสินใจโดยอิงจากคุณลักษณะที่เกี่ยวข้องทางชีวภาพ, อำนวยความสะดวกในการแก้ไขปัญหาเมื่อเกิดการทำนายที่ไม่คาดคิดโดยการระบุคุณลักษณะที่ส่งผลต่อการตัดสินใจ, และให้วัสดุการฝึกอบรมที่แสดงให้คุณบุคลากรใหม่เห็นว่าคุณลักษณะใดมีความสำคัญต่อการประเมินคุณภาพเราดูแลแดชบอร์ด XAI ที่แสดงภาพอธิบายสำหรับวัฒนธรรมที่ถูกทำเครื่องหมายหรืออยู่ในขอบเขตที่ไม่ชัดเจน ซึ่งช่วยให้ผู้เชี่ยวชาญสามารถตรวจสอบได้อย่างรวดเร็วพร้อมบริบทว่าทำไม AI จึงทำการประเมินเช่นนั้น ความโปร่งใสนี้มีความสำคัญอย่างยิ่งต่อการยอมรับของหน่วยงานกำกับดูแลในการใช้ AI ในการควบคุมคุณภาพ—ชุดการตรวจสอบความถูกต้องสำหรับการผลิต GMP ของเราประกอบด้วยภาพ XAI ที่เป็นตัวแทนซึ่งแสดงให้เห็นว่าโมเดลทำการตัดสินใจตามเกณฑ์ที่มีพื้นฐานทางวิทยาศาสตร์และสอดคล้องกับหลักการประเมินของผู้เชี่ยวชาญแบบดั้งเดิม

การบูรณาการการวิเคราะห์เนื้อหาสูง

การวิเคราะห์ภาพด้วยระบบ AI ผสานการทำงานได้อย่างราบรื่นกับแพลตฟอร์มการถ่ายภาพแบบเนื้อหาสูงที่สามารถจับภาพหลายช่องสัญญาณฟลูออเรสเซนต์ ทำการซ้อนภาพแบบ Z-stacking อัตโนมัติ และถ่ายภาพทั้งเพลตหลายหลุมด้วยความแม่นยำของหุ่นยนต์ที่ Cytion เราใช้ระบบ Molecular Devices ImageXpress Micro Confocal ที่สามารถบันทึกข้อมูลได้ถึง 6 ช่องสัญญาณฟลูออเรสเซนต์ (DAPI, FITC, TRITC, Texas Red, Cy5, Cy5.5) พร้อมแสงผ่าน (transmitted light) พร้อมระบบ Z-stacking อัตโนมัติ (1-50 ระดับ, 0.5-10 µm ต่อขั้น) และการจัดตำแหน่งเวที XY ที่แม่นยำ (ความถูกต้อง ±1 µm)สำหรับการประยุกต์ใช้ที่ต้องการข้อมูลเชิงลึกสูง เช่น การประเมินประสิทธิภาพการแยกตัวของเซลล์ต้นกำเนิด เราใช้การย้อมสีด้วยอิมมูโนฟลูออเรสเซนต์สำหรับเครื่องหมายสายพันธุ์ ตามด้วยการวิเคราะห์ด้วยปัญญาประดิษฐ์: การแบ่งส่วนเซลล์ตามการย้อมสีนิวเคลียส (ช่อง DAPI, อัลกอริทึมวอเตอร์เชด) การจำแนกเป็นบวกกับลบตามเกณฑ์ความเข้มของฟลูออเรสเซนต์ (ปรับให้เหมาะสมด้วยวิธีของ Otsu) และการวัดประสิทธิภาพการแยกตัวเป็นเปอร์เซ็นต์ของเซลล์ที่เป็นบวกกับเครื่องหมายการวิเคราะห์หลายช่องทางช่วยให้สามารถทำฟีโนไทป์ที่ซับซ้อนได้—วัดปริมาณลักษณะนิวเคลียร์ (ขนาด รูปร่าง การควบแน่นของ DNA จาก DAPI) การกระจายตัวของโปรตีน (ในนิวเคลียสหรือไซโทพลาซึมผ่านการวิเคราะห์การซ้อนทับของช่องทาง) และสถานะของวัฏจักรเซลล์ (จากกราฟแท่งความเข้มของ DNA ที่รวมจาก DAPI) ได้พร้อมกันสำหรับเซลล์ไลน์ที่ผ่านการวิศวกรรมซึ่งมีโครงสร้างรีพอร์ตเตอร์ การถ่ายภาพแบบสูงเนื้อหาที่ผสานกับการวิเคราะห์ด้วยปัญญาประดิษฐ์ (AI) จะช่วยคัดกรองไลบรารีโคลน: ตรวจจับการเรืองแสงของ GFP เพื่อยืนยันการแสดงออกของยีนต์ที่ถ่ายทอด, วัดการกระจายความเข้มของการแสดงออกเพื่อประเมินความหลากหลายของโคลน (ค่าความแปรปรวน <25% ของเป้าหมาย), และเชื่อมโยงการแสดงออกกับลักษณะทางสัณฐานวิทยาเพื่อระบุโคลนที่มีการแสดงออกสูงและเสถียรกระบวนการทำงานที่มีเนื้อหาสูงของเราสร้างข้อมูลภาพ 50-100 GB ต่อวัน ซึ่งต้องการการจัดการข้อมูลที่มีประสิทธิภาพ (การบีบอัดอัตโนมัติ, การจัดเก็บข้อมูลบนคลาวด์ใน AWS S3) และการประมวลผลที่มีประสิทธิภาพสูง (การวิเคราะห์ที่เร่งด้วย GPU บนคลัสเตอร์ NVIDIA A100 ที่ประมวลผลภาพ 200 ภาพต่อนาที)การผสมผสานระหว่างฮาร์ดแวร์การถ่ายภาพที่มีเนื้อหาสูงซึ่งสร้างชุดข้อมูลหลายมิติที่สมบูรณ์ และซอฟต์แวร์วิเคราะห์ AI ที่สกัดข้อมูลสูงสุดจากแต่ละเซสชันการถ่ายภาพ ช่วยให้เราสามารถทำการวิเคราะห์ลักษณะของสายเซลล์และการควบคุมคุณภาพที่ซับซ้อนได้ ซึ่งไม่สามารถทำได้ด้วยการวิเคราะห์ด้วยมือ

การวิเคราะห์แบบไทม์แลปส์และการตรวจสอบแบบไดนามิก

กล้องจุลทรรศน์แบบไทม์แลปส์ให้ข้อมูลที่มีคุณค่าเกี่ยวกับพฤติกรรมของเซลล์เมื่อเวลาผ่านไป รวมถึงอัตราการแบ่งตัว รูปแบบการเคลื่อนที่ และการตอบสนองต่อการเปลี่ยนแปลงของสิ่งแวดล้อม ที่ Cytion เราใช้ระบบ Sartorius IncuCyte S3 ที่ถ่ายภาพในช่วงเวลา 15 นาทีถึง 2 ชั่วโมงต่อเนื่องกันเป็นเวลาสูงสุด 14 วัน สร้างชุดข้อมูลแบบลำดับเวลาที่มีภาพ 100-1000 ภาพต่อหลุมเพาะเลี้ยงการวิเคราะห์ด้วย AI ของลำดับภาพแบบไทม์แลปส์เหล่านี้ประกอบด้วยการติดตามเซลล์เดี่ยวโดยใช้ 알고ริทึมเช่น TrackMate หรือ DeepCell เพื่อติดตามเซลล์แต่ละตัวข้ามเฟรม, การวัดเวลาการแบ่งเซลล์โดยการตรวจจับเหตุการณ์การแบ่งเซลล์ (การกลมตัวของเซลล์, การแยกตัวของเซลล์ลูก), การวัดความเร็วและทิศทางการเคลื่อนที่ของเซลล์ (การเคลื่อนที่แบบเฉลี่ยกำลังสอง, ระยะทางคงที่), และการระบุเหตุการณ์การตายของเซลล์ (การเปลี่ยนแปลงรูปร่างที่เป็นลักษณะเฉพาะ, การหลุดออกจากเซลล์)สำหรับการติดตามการแบ่งเซลล์ เราสามารถตรวจจับการแบ่งเซลล์แบบไมโทซิสได้ด้วยความแม่นยำ 87% โดยใช้เครือข่ายคอนโวลูชันสามมิติ (สถาปัตยกรรม C3D) ที่วิเคราะห์คุณลักษณะเชิงพื้นที่และเชิงเวลาผ่านหน้าต่างข้อมูล 5 เฟรม ซึ่งช่วยให้สามารถคำนวณเวลาการเพิ่มจำนวนประชากรของเซลล์โดยอัตโนมัติได้อย่างแม่นยำ โดยมีความสัมพันธ์สูง (r=0.91) กับการนับจำนวนเซลล์ด้วยวิธีแมนนวลการวิเคราะห์การอพยพใช้ขั้นตอนวิธีโฟลว์ออปติคอลและการแบ่งเซลล์ด้วยระบบเรียนรู้เชิงลึกเพื่อติดตามจุดศูนย์กลางของเซลล์จากเฟรมหนึ่งไปยังอีกเฟรมหนึ่ง โดยคำนวณความเร็ว (µm/ชั่วโมง) และดัชนีเคมีแทกติกสำหรับการทดสอบการอพยพ ข้อมูลแบบไทม์แลปส์เผยให้เห็นพฤติกรรมแบบไดนามิกที่ไม่สามารถมองเห็นได้ในภาพที่ถ่ายเพียงครั้งเดียว: เราได้ระบุสายพันธุ์เซลล์ที่มีการแกว่งของอัตราการเพิ่มจำนวนเซลล์ตามวงจรชีวภาพรายวัน, ตรวจพบอัตราการแบ่งเซลล์ที่ไม่สม่ำเสมอภายในวัฒนธรรมซึ่งบ่งชี้ถึงโครงสร้างของประชากรย่อย, และอธิบายลักษณะการตอบสนองทางจลนศาสตร์ต่อการเปลี่ยนแปลงของอาหารเพาะเลี้ยงเซลล์หรือการรักษาด้วยยาเพื่อการควบคุมคุณภาพ การตรวจสอบแบบเวลาผ่านไป (time-lapse monitoring) ช่วยให้สามารถตรวจพบปัญหาได้ตั้งแต่เนิ่นๆ—เราสามารถตรวจพบการหยุดการเจริญเติบโต (การไม่มีการแบ่งตัวเป็นเวลา >24 ชั่วโมง) หรืออัตราการตายที่เพิ่มขึ้น (เซลล์ที่มีการเปลี่ยนแปลงรูปร่างแบบ apoptosis >5% ต่อ 24 ชั่วโมง) ได้เร็วกว่าการวัดที่จุดสิ้นสุดมากข้อมูลเชิงเวลาที่สมบูรณ์ยังช่วยให้สามารถทำนายแบบจำลองได้: โดยใช้การวิเคราะห์การเจริญเติบโตในระยะแรก (24-48 ชั่วโมงแรก) เพื่อทำนายผลผลิตเซลล์สุดท้าย ซึ่งได้รับการฝึกฝนผ่านโครงข่ายประสาทเทียมแบบวนซ้ำ (สถาปัตยกรรม LSTM พร้อมหน่วยซ่อน 128 หน่วย) ที่สามารถทำนายได้ถึงความแม่นยำ 82% ในการทำนายว่าวัฒนธรรมเซลล์จะถึงค่าความหนาแน่นเป้าหมายในเวลาที่คาดหวังไว้หรือไม่

มาตรฐานเดียวกันในแพลตฟอร์มการถ่ายภาพ

กล้องจุลทรรศน์ กล้องถ่ายภาพ และเงื่อนไขการถ่ายภาพที่แตกต่างกันสามารถสร้างภาพที่มีลักษณะแตกต่างกันได้ ซึ่งอาจทำให้แบบจำลอง AI ที่ได้รับการฝึกฝนจากภาพบนแพลตฟอร์มเฉพาะเกิดความสับสนได้ ที่ Cytion เราแก้ไขความแปรปรวนข้ามแพลตฟอร์มผ่านการประมวลผลภาพก่อนการวิเคราะห์อย่างครอบคลุมและการปรับให้เป็นมาตรฐานผ่านกระบวนการที่ดำเนินการใน Python โดยใช้ไลบรารี OpenCV และ scikit-image กระบวนการมาตรฐานของเราประกอบด้วย: การแก้ไขสนามแบนเพื่อชดเชยการส่องสว่างที่ไม่สม่ำเสมอ (การหารภาพแต่ละภาพด้วยภาพสนามแบนอ้างอิง การหักล้างกระแสมืด)การปรับสีให้เป็นปกติสำหรับภาพ brightfield โดยใช้การจับคู่ฮิสโตแกรมหรือการถ่ายโอนสี Reinhard การปรับขนาดความเข้มให้อยู่ในช่วงไดนามิกมาตรฐาน ([0,1] float หรือ [0,255] uint8) และการปรับความละเอียดให้สอดคล้องกันผ่านการแทรกค่าแบบ bicubic เมื่อภาพจากระบบต่างๆ มีขนาดพิกเซลที่แตกต่างกันสำหรับภาพแบบเฟสคอนทราสต์ที่มีความไวต่อการตั้งค่าทางแสงเป็นพิเศษ เราใช้การปรับโดเมนด้วย CycleGAN ที่แปลภาพจากลักษณะของกล้องจุลทรรศน์หนึ่งให้ตรงกับอีกกล้องหนึ่ง โดยฝึกฝนบนชุดภาพที่ไม่จับคู่จากทั้งสองระบบ การประมวลผลเบื้องต้นนี้ช่วยให้มั่นใจได้ว่าโมเดลที่ฝึกฝนบนภาพ IncuCyte จะทำงานได้ดีเท่าเทียมกันบนภาพ ImageXpress หรือ EVOS หลังจากการทำให้เป็นมาตรฐานเราตรวจสอบประสิทธิผลของการมาตรฐานโดยการวัดการเสื่อมของประสิทธิภาพของแบบจำลองเมื่อนำไปใช้กับแพลตฟอร์มใหม่: ก่อนการมาตรฐาน ความถูกต้องลดลง 12-25% เมื่อแบบจำลองที่ฝึกบนระบบหนึ่งถูกนำไปใช้กับระบบอื่น; หลังการมาตรฐาน การเสื่อมลดลงเหลือ <5%กระบวนการมาตรฐานของเราได้รับการทำให้เป็นอัตโนมัติในโครงสร้างพื้นฐานการวิเคราะห์ภาพของเรา โดยใช้การแปลงที่เหมาะสมตามแท็กเมตาดาต้าที่บ่งชี้แหล่งที่มาของกล้องจุลทรรศน์ ทำให้ภาพจากทุกแพลตฟอร์มสามารถไหลผ่านกระบวนการวิเคราะห์ที่เป็นเอกภาพได้ ความแข็งแกร่งข้ามแพลตฟอร์มนี้มีความจำเป็นสำหรับการดำเนินงานหลายไซต์ และช่วยให้สามารถแบ่งปันแบบจำลองที่ได้รับการฝึกฝนแล้วในชุมชนวิจัยการเพาะเลี้ยงเซลล์ได้ ซึ่งช่วยผลักดันวงการนี้ให้ก้าวหน้าไปไกลกว่าการนำไปใช้ในห้องปฏิบัติการแต่ละแห่ง

การผสานรวมกับระบบอัตโนมัติในห้องปฏิบัติการ

การวิเคราะห์ภาพด้วยระบบปัญญาประดิษฐ์กลายเป็นเครื่องมือที่ทรงพลังยิ่งขึ้นเมื่อผสานรวมกับระบบเพาะเลี้ยงเซลล์อัตโนมัติที่ Cytion เราได้นำระบบอัตโนมัติแบบวงจรปิดมาใช้ โดยระบบถ่ายภาพ IncuCyte ภายในตู้บ่มเพาะอัตโนมัติ (Liconic STX series) จะถ่ายภาพทุก 2 ชั่วโมง จากนั้นชุดวิเคราะห์ที่ใช้ Python จะประมวลผลภาพภายใน 5 นาทีหลังจากการถ่าย โดยใช้บริการการอนุมานแบบคอนเทนเนอร์ (Docker บน Kubernetes) และผลลัพธ์การวิเคราะห์จะถูกป้อนเข้าสู่ตัวควบคุมอัตโนมัติ Hamilton VENUS ผ่าน REST APIs เพื่อกระตุ้นการดำเนินการอัตโนมัติตัวอย่างเช่น เมื่อการวิเคราะห์การรวมตัวบ่งชี้ว่าวัฒนธรรมได้ถึง 85% (ความหนาแน่นการผ่านที่เหมาะสม) ระบบจะสร้างรายการงานใน VENUS โดยอัตโนมัติเพื่อกำหนดตารางเวลาให้หุ่นยนต์จัดการของเหลวดำเนินการผ่าน (ดูดสื่อ, เติมทริปซิน, ปรับความเป็นกลาง, นับเซลล์, ปลูกถ่ายในขวดใหม่) ภายในช่วงเวลา 4 ชั่วโมงถัดไปความน่าจะเป็นในการตรวจพบการปนเปื้อน >0.7 จะทำการกักกันตัวอย่างที่ติดเชื้อทันทีโดยย้ายไปยังโซนตู้เพาะเชื้อที่แยกออกจากกัน และสร้างการแจ้งเตือนฉุกเฉิน เพื่อป้องกันการแพร่กระจายของการปนเปื้อนการประเมินความสามารถในการอยู่รอด <80% จะหยุดการประมวลผลอัตโนมัติและทำเครื่องหมายวัฒนธรรมสำหรับการตรวจสอบโดยผู้เชี่ยวชาญด้วยตนเอง การบูรณาการนี้สร้างระบบการจัดการวัฒนธรรมที่เป็นอิสระซึ่งรักษาสุขภาพของเซลล์ให้อยู่ในระดับที่เหมาะสมที่สุดด้วยการแทรกแซงของมนุษย์น้อยที่สุด—ระบบบูรณาการของเราสามารถเพาะเลี้ยงเซลล์สายพันธุ์ได้มากกว่า 200 สายพันธุ์พร้อมกันสำเร็จ โดยมีการดำเนินการผ่านรุ่นถึง 92% ที่ดำเนินการโดยอัตโนมัติทั้งหมด การมีส่วนร่วมของมนุษย์จำเป็นเพียง 8% ของวัฒนธรรมที่ทำเครื่องหมายว่ามีเงื่อนไขพิเศษการทำงานแบบวงจรปิดประกอบด้วยระบบความปลอดภัยแบบอินเตอร์ล็อก: การทำนายของ AI ที่อยู่ต่ำกว่าเกณฑ์ความมั่นใจ (โดยทั่วไปคือ 0.75) จะกระตุ้นให้มีการตรวจสอบด้วยมือแทนการดำเนินการอัตโนมัติ และการตัดสินใจทั้งหมดโดยอัตโนมัติจะถูกบันทึกพร้อมข้อมูลคำอธิบายเพื่อการตรวจสอบย้อนกลับและการปรับปรุงอย่างต่อเนื่องการติดตามประสิทธิภาพของระบบจะติดตามตัวชี้วัดสำคัญรวมถึงอัตราการตรวจพบผิดพลาดสำหรับการตรวจจับการปนเปื้อน (เป้าหมายคือ<2%), accuracy of confluence-based passage timing (>90% ของการผ่านเกิดขึ้นที่ความหนาแน่น 80-95%) และความสัมพันธ์ระหว่างความมีชีวิตหลังการผ่านที่คาดการณ์ไว้กับการวัดจริง (r>0.8) โดยมีการทบทวนรายไตรมาสเพื่อให้มั่นใจว่าประสิทธิภาพยังคงอยู่ในข้อกำหนด

การสร้างและทำเครื่องหมายข้อมูลสำหรับการฝึกอบรม

ประสิทธิภาพของแบบจำลอง AI ขึ้นอยู่กับคุณภาพและปริมาณของข้อมูลการฝึกอบรมอย่างวิกฤต ที่ Cytion เราดูแลฐานข้อมูลภาพที่กว้างขวางและมีการบันทึกอย่างละเอียดครอบคลุมทุกสายพันธุ์เซลล์ในแคตาล็อกของเราภายใต้เงื่อนไขต่าง ๆ และจำนวนการผ่าน (passage) ที่หลากหลาย ณ ปัจจุบันมีภาพที่มีการบันทึกมากกว่า 150,000 ภาพ ซึ่งแทนความพยายามในการบันทึกโดยผู้เชี่ยวชาญมากกว่า 2,000 ชั่วโมงกลยุทธ์การให้คำอธิบายประกอบของเราผสมผสานหลายแนวทางเข้าด้วยกัน: การให้คำอธิบายประกอบด้วยตนเองโดยนักวิทยาศาสตร์เพาะเลี้ยงเซลล์ผู้เชี่ยวชาญโดยใช้เครื่องมือเช่น LabelImg และ VGG Image Annotator (VIA) สำหรับการสร้างหน้ากากการแบ่งส่วนและป้ายกำกับประเภท, การให้คำอธิบายประกอบกึ่งอัตโนมัติที่การคาดการณ์เริ่มต้นของ AI ได้รับการตรวจสอบและแก้ไขโดยผู้เชี่ยวชาญ (ลดเวลาการให้คำอธิบายประกอบลง 60% ในขณะที่ยังคงรักษาความแม่นยำ), และการเรียนรู้เชิงรุกที่โมเดลระบุภาพที่มีความไม่แน่นอนในการคาดการณ์สูงเพื่อให้ความสำคัญกับการให้คำอธิบายประกอบที่เน้นกรณีพิเศษเราควบคุมคุณภาพการบันทึกคำอธิบายอย่างเข้มงวดด้วยการทดสอบความน่าเชื่อถือระหว่างผู้ประเมิน—ผู้บันทึกคำอธิบายอิสระสามคนจะติดป้ายกำกับชุดย่อยของภาพจำนวน 100 ภาพ โดยบรรลุค่าความสอดคล้องของ Cohen's kappa >0.85 สำหรับงานจำแนกประเภท และค่า IoU >0.90 สำหรับการบันทึกคำอธิบายการแบ่งส่วน ซึ่งเป็นการยืนยันความสอดคล้องของการบันทึกคำอธิบายเพื่อการปรับปรุงอย่างต่อเนื่อง เราได้นำมาตรการเก็บรวบรวมข้อมูลอย่างเป็นระบบมาใช้: ภาพการผลิตทั้งหมดจะถูกจัดเก็บในคลังข้อมูลโดยอัตโนมัติพร้อมข้อมูลเมตา (สายเซลล์, ระดับการเพาะเลี้ยง, วันที่, ระบบการถ่ายภาพ, สภาพแวดล้อมการเพาะเลี้ยง) ชุดข้อมูลที่ผ่านการผลิตเป็นระยะ ๆ จะได้รับการเพิ่มคำอธิบายประกอบโดยผู้เชี่ยวชาญเพื่อเพิ่มความหลากหลายให้กับชุดข้อมูลฝึกฝน และภาพที่เกี่ยวข้องกับความล้มเหลวในการควบคุมคุณภาพหรือเหตุการณ์ผิดปกติจะได้รับการจัดลำดับความสำคัญในการเพิ่มคำอธิบายประกอบเพื่อปรับปรุงการจัดการกับกรณีขอบเขตที่ซับซ้อนการเพิ่มข้อมูลขยายขนาดชุดข้อมูลฝึกอบรมที่มีประสิทธิภาพ: การหมุน (0-360°), การพลิกแนวนอน/แนวตั้ง, การปรับความสว่าง/ความคมชัด (±20%), การบิดเบือนแบบยืดหยุ่น (จำลองการเปลี่ยนแปลงของภาพภายใต้กล้องจุลทรรศน์), และการเพิ่มสัญญาณรบกวนแบบกาว์เซียน (σ=0.1) จะสร้างข้อมูลเวอร์ชันเพิ่มเติมระหว่างการฝึกอบรม ซึ่งเพิ่มจำนวนข้อมูลฝึกอบรมได้ถึง 10 เท่า ในขณะที่ช่วยเพิ่มความทนทานของโมเดลต่อความแปรปรวนของภาพธรรมชาติเรายังคัดสรรชุดข้อมูลเฉพาะทางสำหรับความท้าทายเฉพาะด้าน: ชุดข้อมูลสำหรับการตรวจจับการปนเปื้อนประกอบด้วยภาพมากกว่า 5,000 ภาพของวัฒนธรรมที่ปนเปื้อนแบคทีเรีย เชื้อรา และไมโคพลาสมา; ชุดข้อมูลลักษณะผิดปกติที่หายากจับภาพฟีโนไทป์ที่ไม่ปกติ เศษซาก และสิ่งประดิษฐ์; ชุดข้อมูลหลายรุ่นติดตามสายเซลล์แต่ละสายตั้งแต่ P5-P30 เพื่อบันทึกการเสื่อมสภาพและการเปลี่ยนแปลงฟีโนไทป์โครงสร้างพื้นฐานข้อมูลการฝึกอบรมที่ครอบคลุมและคัดสรรมาอย่างดีนี้เป็นพื้นฐานสำคัญต่อความแม่นยำและความน่าเชื่อถือของระบบควบคุมคุณภาพที่ขับเคลื่อนด้วย AI ของเรา

การตรวจสอบความถูกต้องของแบบจำลองและการติดตามประสิทธิภาพ

ก่อนที่จะนำแบบจำลอง AI ไปใช้เพื่อการตัดสินใจควบคุมคุณภาพ จำเป็นต้องมีการตรวจสอบความถูกต้องอย่างเข้มงวดที่ Cytion เราปฏิบัติตามโปรโตคอลการตรวจสอบความถูกต้องที่มีโครงสร้างสอดคล้องกับแนวทางของ FDA เกี่ยวกับการตรวจสอบความถูกต้องของซอฟต์แวร์และการเรียนรู้ของเครื่องสำหรับอุปกรณ์ทางการแพทย์ (หลักการที่ใช้ได้สำหรับการผลิตเซลล์ตามมาตรฐาน GMP): เราแบ่งชุดข้อมูลออกเป็นชุดฝึกอบรม (70%), ชุดตรวจสอบความถูกต้อง (15%), และชุดทดสอบ (15%) โดยมีการจัดกลุ่มตามชั้นเพื่อให้แน่ใจว่าทุกสายพันธุ์เซลล์และสภาวะได้รับการแทนที่อย่างสมส่วน; ดำเนินการตรวจสอบความถูกต้องแบบ k-fold (k=5) ในระหว่างการพัฒนาเพื่อประเมินความสามารถในการทั่วไปของแบบจำลอง;ประเมินประสิทธิภาพบนชุดทดสอบที่ไม่ได้ใช้ในการฝึกอบรม โดยใช้ตัวชี้วัดที่ครอบคลุม ได้แก่ ความแม่นยำ (Accuracy), ความเที่ยงตรง (Precision), ค่าเรียกคืน (Recall), ค่า F1-score สำหรับงานจำแนกประเภท, ค่า R² สำหรับงานถดถอยเชิงเส้น, ค่าเฉลี่ยค่าความคลาดเคลื่อน (MAE) และค่าเฉลี่ยกำลังสองของความคลาดเคลื่อน (RMSE) สำหรับงานถดถอยเชิงปริมาณ และกราฟเส้นโค้ง ROC-AUC สำหรับการคาดการณ์ความน่าจะเป็นเปรียบเทียบการคาดการณ์ของ AI กับการวัดมาตรฐานทองคำ (การประเมินด้วยมือของผู้เชี่ยวชาญ, การวัดความมีชีวิตด้วยโฟลไซโตเมทรี, การนับด้วยตารางกล้องจุลทรรศน์สำหรับการเจริญเติบโต) ภายใต้เงื่อนไขการทดสอบที่หลากหลาย; และดำเนินการตรวจสอบความถูกต้องล่วงหน้าโดยให้แบบจำลองทำงานในโหมดเงาคู่ขนานกับการควบคุมคุณภาพมาตรฐานเป็นเวลา 3 เดือนก่อนการใช้งานจริง โดยเปรียบเทียบการคาดการณ์กับผลลัพธ์การควบคุมคุณภาพจริงเมื่อนำไปใช้งานแล้ว เราจะดำเนินการตรวจสอบประสิทธิภาพอย่างต่อเนื่อง: การเปรียบเทียบอัตโนมัติระหว่างการทำนายของ AI กับการตรวจสอบโดยผู้เชี่ยวชาญเป็นระยะ (20% ของตัวอย่างจะได้รับการประเมินโดยผู้เชี่ยวชาญควบคู่กัน) การติดตามคะแนนความมั่นใจในการทำนายตามช่วงเวลา (ความมั่นใจที่ลดลงอาจบ่งชี้ถึงข้อมูลที่เปลี่ยนแปลง) การวิเคราะห์ความสัมพันธ์ระหว่างคะแนนคุณภาพของ AI กับตัวชี้วัดประสิทธิภาพของชุดข้อมูลที่ผ่านการประมวลผลแล้ว (ความมีชีวิตหลังการผ่าน, ความสำเร็จในการขยาย) และการตรวจสอบความถูกต้องประจำไตรมาสที่ตรวจสอบประสิทธิภาพของแบบจำลองในหลากหลายสายพันธุ์เซลล์และสภาวะการทำงานเราจัดทำเอกสารการตรวจสอบความถูกต้องอย่างละเอียด รวมถึงข้อกำหนดสถาปัตยกรรมของแบบจำลอง, ลักษณะของข้อมูลการฝึกอบรม (ขนาด, ความหลากหลาย, คุณภาพของคำอธิบาย), ผลการวัดประสิทธิภาพมาตรฐาน, และบันทึกการควบคุมการเปลี่ยนแปลงสำหรับการอัปเดตแบบจำลองเมื่อประสิทธิภาพของแบบจำลองลดลงต่ำกว่าเกณฑ์ที่ยอมรับได้ (เช่น ความแม่นยำของความสอดคล้องลดลงต่ำกว่า ±5%, ค่า AUC ในการตรวจจับการปนเปื้อนต่ำกว่า 0.90) เราจะดำเนินการฝึกอบรมหรือปรับเทียบใหม่: รวบรวมข้อมูลฝึกอบรมเพิ่มเติมจากชุดการผลิตล่าสุด, ฝึกอบรมแบบจำลองใหม่ด้วยชุดข้อมูลที่อัปเดต, ตรวจสอบความถูกต้องของแบบจำลองที่อัปเดตบนชุดทดสอบใหม่, และดำเนินการปรับใช้แบบควบคุมโดยให้แบบจำลองที่อัปเดตทำงานในโหมดเงา (shadow mode) ก่อนที่จะปรับใช้เต็มรูปแบบกรอบการตรวจสอบและติดตามอย่างเข้มงวดนี้ช่วยให้การควบคุมคุณภาพที่ใช้ระบบปัญญาประดิษฐ์ของเราสามารถรักษาความถูกต้องและความน่าเชื่อถือได้ตลอดเวลา แม้จะมีการเปลี่ยนแปลงของพอร์ตโฟลิโอกลุ่มเซลล์, อุปกรณ์ถ่ายภาพ, และการเปลี่ยนแปลงตามธรรมชาติของข้อมูล

การพัฒนาในอนาคตของการวิเคราะห์ภาพด้วยปัญญาประดิษฐ์

สาขาการวิเคราะห์ภาพเซลล์ด้วยปัญญาประดิษฐ์ยังคงก้าวหน้าอย่างรวดเร็วด้วยเทคนิคใหม่ๆ ที่สัญญาว่าจะมีความสามารถมากยิ่งขึ้นการพัฒนาที่เรากำลังติดตามและทดลองใช้งานที่ Cytion ได้แก่: การวิเคราะห์ภาพ 3 มิติโดยใช้เครือข่ายการแบ่งส่วนปริมาตร (3D U-Net) สำหรับการเพาะเลี้ยงออร์กาโนอยด์และสเฟียรอยด์ ซึ่งช่วยให้สามารถวัดขนาด รูปร่าง และโครงสร้างภายในของออร์กาโนอยด์จากภาพ Z-stack ได้; การทำนายการเรืองแสงแบบไม่ติดฉลาก ซึ่งแบบจำลองที่ฝึกฝนจากภาพคู่ของภาพสว่าง/ภาพเรืองแสงจะเรียนรู้ที่จะทำนายรูปแบบการเรืองแสงจากภาพสว่างเพียงอย่างเดียว ซึ่งอาจทดแทนข้อกำหนดในการย้อมสีบางส่วนได้;เทคนิคการเรียนรู้ด้วยตนเอง (SimCLR, BYOL) ที่เรียนรู้การแสดงผลที่เป็นประโยชน์จากภาพที่ไม่มีป้ายกำกับ ลดความต้องการในการทำเครื่องหมายโดยเรียนรู้คุณลักษณะของภาพเซลล์ทั่วไปโดยไม่ต้องใช้ป้ายกำกับด้วยมือ; แบบจำลองพื้นฐานสำหรับชีววิทยาของเซลล์ (คล้ายกับ GPT สำหรับภาษา) ที่ได้รับการฝึกฝนล่วงหน้าบนชุดข้อมูลภาพเซลล์ที่หลากหลายและขนาดใหญ่ ซึ่งสามารถปรับแต่งให้เหมาะสมกับงานเฉพาะได้ด้วยข้อมูลขั้นต่ำ;การวิเคราะห์แบบเรียลไทม์ระหว่างการถ่ายภาพสดโดยมีความล่าช้าในการอนุมานน้อยกว่า 1 วินาที ทำให้สามารถให้ข้อมูลย้อนกลับได้ทันทีสำหรับการทดลองอัตโนมัติ; และแบบจำลองการทำนายที่คาดการณ์ผลลัพธ์ของการเพาะเลี้ยงล่วงหน้าหลายชั่วโมงหรือหลายวันจากภาพในระยะเริ่มต้น โดยได้รับการฝึกฝนจากชุดข้อมูลระยะยาวที่เชื่อมโยงลักษณะการถ่ายภาพในระยะเริ่มต้นกับคุณภาพของชุดสุดท้าย ฝึกฝนบนชุดข้อมูลระยะยาวที่เชื่อมโยงลักษณะการถ่ายภาพในระยะเริ่มต้นกับคุณภาพของชุดสุดท้ายเรายังกำลังสำรวจการบูรณาการแบบหลายรูปแบบ โดยผสมผสานภาพจากกล้องจุลทรรศน์เข้ากับข้อมูลการวิเคราะห์ระดับโมเลกุล (RNA-seq, โปรตีโอมิกส์) เพื่อค้นหาตัวบ่งชี้ทางชีวภาพที่สามารถทำนายลักษณะทางโมเลกุลจากภาพ และเครือข่ายประสาทเทียมที่นำความรู้ทางฟิสิกส์มาใช้ (physics-informed neural networks) โดยผนวกข้อจำกัดทางชีววิทยา (พลวัตของวัฏจักรเซลล์, การบริโภคสารอาหาร) เพื่อเพิ่มความแม่นยำในการทำนายและลดความต้องการข้อมูลเมื่อเทคโนโลยีเหล่านี้พัฒนาขึ้น เราคาดว่าจะสามารถตรวจพบปัญหาได้เร็วขึ้นผ่านการเปลี่ยนแปลงเล็กน้อยก่อนเกิดอาการที่มองไม่เห็นด้วยวิธีการปัจจุบัน ประเมินคุณภาพได้แม่นยำยิ่งขึ้นผ่านการบูรณาการข้อมูลจากหลากหลายรูปแบบ และเข้าใจปัจจัยที่ส่งผลต่อความสำเร็จของวัฒนธรรมได้ลึกซึ้งยิ่งขึ้น ความก้าวหน้าเหล่านี้จะช่วยให้ Cytion สามารถส่งมอบเซลล์และสายเซลล์ที่มีคุณภาพสูงสุดด้วยความสม่ำเสมอและประสิทธิภาพที่ดียิ่งขึ้น รักษาความเป็นผู้นำในด้านคุณภาพและนวัตกรรมของเรา