Segmenteeritud rakkude pildid on biomeditsiinilistes uuringutes ja diagnostikas üliolulised ja äärmiselt kallid. Kuigi tehisintellekt (TI) suudab nüüd rakke segmenteerida, nõuab see treenimist suure hulga märgistatud andmetega: andmetega, mida eksperdid peavad käsitsi märgistama. Doktorant Eiram Mahera Sheikh Bielefeldi Rakenduskõrgkoolis uurib, kuidas seda protsessi SAIL-i uurimisvõrgustiku raames intelligentselt kiirendada. Ta kasutab treeningandmete ettevalmistamisel juba tehisintellekti, täpsemalt sügavat aktiivõpet.
Arvutis kuvatavad kaks pilti (foto) on samade bioloogiliste rakkude kujutised. Vasakul on mikroskoopiline pilt mõnest pankrease tüvirakust poorsel aluspinnal: hallil taustal kergelt udused, erineva suurusega ja pikliku kujuga väikesed valged täpid on üksikud rakud. Siin pole nii lihtne eristada, kas piksel kuulub endiselt rakule või juba taustale. Eiram Mahera Sheikh juhib külastajate tähelepanu paremale poolele: sama rakkude paigutus, kuid seekord erinevat värvi ja selgelt mustast taustast eraldatud. „Selle maskiga on pilt analüüsiks palju kasulikum. Siin on rakud tehisintellekti ehk tehisintellekti abil selgelt segmenteeritud.“ Sheikh soovib tagada, et seda protsessi saaks tulevikus veelgi tõhusamalt läbi viia – muutes tehisintellekti tehisintellekti abil nutikamaks. Teisisõnu, ta soovib võimaldada rakkude segmenteerimise tehisintellekti vajalikul treenimisel toimuda kiiremini kui varem ja selleks tugineb ta tehisintellekti protsessile.
Pärast mitut aastat selles valdkonnas spetsialiseerus 33-aastane India juurtega arvutiteadlane magistriõpingute ajal andmeteadusele ja tehisintellektile. Nüüd on ta liitunud Bielefeldi ülikooliga (HSBI) doktorandina. Rakkude segmenteerimisega on ta valinud biomeditsiiniliste uuringute ja diagnostika valdkonnas väga olulise teema: „Segmenteeritud rakkude piltide analüüs annab olulist teavet rakkude omaduste, patoloogiliste muutuste või selle kohta, kuidas rakud reageerivad teatud toimeainetele,“ selgitab Eiram Mahera Sheikh. „See on teave, mis on oluline näiteks vähiravis või farmakoloogilistes uuringutes.“ Sheikhi uurimistöö algab aga kaks sammu varem – niiöelda metatasandil. „Rakkude segmenteerimist saavad nüüd teha ka tehisintellektid. Olen huvitatud selle tehisintellekti koolitamisest.“
Projekt on osa interdistsiplinaarsest teadusvõrgustikust SAIL, mis tähistab intelligentsete sotsiaal-tehniliste süsteemide jätkusuutlikku elutsüklit (SustAInable Life-Cicle of Intelligent Socio-Technical Systems). Nordrhein-Westfaleni liidumaa poolt kuni 14,8 miljoni euroga rahastatud konsortsium ühendab Bielefeldi ülikooli konsortsiumi juhina, HSBI-d, TH OWL-i ja Paderborni ülikooli, et tagada tehisintellekti süsteemide läbipaistev, turvaline, jätkusuutlik ja töökindel toimimine kogu oma elutsükli jooksul. Võrgustiku ligikaudu 90 teadlast tegelevad tehisintellekti, selle mõju inimestele ja ühiskonnale ning konkreetsete rakendustega tööstus 4.0 ja intelligentse tervishoiu valdkonnas. Wolfram Schenck, inseneriinformaatika professor, Güterslohi ülikoolilinnaku rakendusandmete teaduse keskuse (CfADS) andmeanalüüsi klastri teadusdirektor ja HSBI pressiesindaja SAIL-projektis, juhendab Eiram Mahera Sheiki doktorikraadi, mis asub baasuuringute ja tervishoiu vahelises piiris, kuid pakub ka laiemat teavet.
Schenck selgitab Sheiki töö väljakutseid: „Rakkude segmenteerimise õppimiseks vajab rakkude segmenteerimise tehisintellekt treenimiseks suurt hulka märgistatud andmeid. Need on pikslitasemel pildiandmed, mis on märgistatud ja klassifitseeritud lisateabega.“ See on keeruline protsess, sest konkreetselt tähendab see seda, et bioloogiliste rakkude pildil oleva iga piksli puhul tuleb kindlaks teha, kas see kuulub näiteks „tausta“, „membraani“ või „rakukeha“ klassi. Schenck selgitab: „Seda niinimetatud märgistamist saavad praegu käsitsi teha ainult eksperdid, kes teavad täpselt, mida nähakse.“ Rakumembraan? Surnud rakk? Taust? – Pikselhaaval peab keegi, kes teema kohta midagi teab, tegema tüütu ja mõnevõrra monotoonse töö, enne kui tehisintellekti saab teatud rakkude segmenteerimiseks treenida.
„Kuna töö on nii aeganõudev ja monotoonne, ei ole eksperdid selle tegemise suhtes vastumeelsed,“ sekkub dr Constanze Schwan. „Lisaks sellele on märgistamine ka väga kulukas oma pikaldase iseloomu ja kõrgelt koolitatud spetsialistide kaasamise tõttu.“ Schwan on aruteluga liitunud. HSBI Career@BI programmi arvutiteadlane mitte ainult ei õpeta inseneriteaduste ja matemaatika osakonnas, vaid töötab ka Göttingenis asuva biotehnoloogiaettevõtte Miltenyi Biotec uurimisosakonnas. Ta toob esile praktilised vajadused: „See oleks suur samm edasi, kui oleks olemas mudel või algoritm, mis vähendaks märgistamiseks vajalikku pingutust.“ Olemasolevad segmenteerimismeetodid, mis sobivad näiteks autonoomse sõidu jaoks, jõuavad oma piirini mikroskoopiliste piltidega tegelemisel. See on tingitud muu hulgas piltidel leiduvatest keerukamatest ja peenematest struktuuridest. Need on sageli 3D-struktuuride ajajoonel olevad pildivirnad. Need pildid või pildivirnad sisaldavad sageli keerulisi struktuure, mida on raske segmenteerida.
Keeruliste struktuuride probleemi vältimiseks ja spetsialistide meeskondade töökoormuse vähendamiseks, kes peavad rakkude segmenteerimise tehisintellekti treenima, tugineb Eiram Mahera Sheikh tehisintellektile. „Minu eesmärk on tuvastada pildi piirkonnad, mis on rakkude segmenteerimise õppimisel eriti olulised. See välistaks vajaduse käsitsi märgistada kõiki pildi piksleid, vaid ainult neid, mis on eriti väärtuslikud treeningandmetena.“ Seda potentsiaalsete treeningandmete sihipärast valikut nimetatakse „aktiivõppeks“. Kuna rakkude segmenteerimise tehisintellekti algoritmid pärinevad nn süvaõppest, nimetatakse seda ka „sügavaks aktiivõppeks“.
Sheikh on nüüd kindlaks teinud kõige väärtuslikumad treeningandmed: „Need on kõige ebakindlamad, millega tehisintellekti algoritmil on raskusi näiteks kehva pildi kontrasti või kattuvate või ebakorrapärase kujuga rakkude tõttu.“ Seetõttu peaksid eksperdid tulevikus uurima ja märgistama ainult neid, samas kui selgete juhtumite puhul võiks vaeva kokku hoida, kuna Sheikhi tehisintellekt on märgistamise juba teinud. Põhimõtteliselt õpib rakkude segmenteerimist teostav tehisintellekt sel viisil, väiksema andmemahuga, kuid nii tõhusalt, et suudab hiljem siiski täpseid rakkude segmenteerimisi teha.
Loe ka
Tehisintellekt võimaldab hinnata kõigi liikide kaitset kogu maailmas | Pugnalom
