В Санкт-Петербурге команда НИУ ВШЭ вместе с коллегами из Международного университета информационных технологий (Алматы, Казахстан) создала комплекс, который автоматизирует работу микроскопов и использует ИИ для анализа. Разработка повышает точность классификации микроорганизмов до 97,5%, а результаты исследования опубликованы в Machine Learning and Knowledge Extraction. Об этом пишет сайт Научная Россия.
Обычные микробиологические инструменты требуют ручной настройки и визуальной оценки, поэтому итог заметно зависит от человеческого фактора. Искусственный интеллект способен улучшить качество анализа изображений. Особенно важно это в биотехнологиях и клинической диагностике, где приходится сравнивать тысячи снимков.
Работу вела Школа информатики, физики и технологий НИУ ВШЭ — Санкт-Петербург. Руководил проектом Алексей Самарин — доцент департамента информатики и академический руководитель программы «Прикладная математика и информатика». Методолог Елена Михайлова отметила: система не привязана к конкретной архитектуре и обучается самостоятельно на специальных подсказках. Проверка на разных архитектурах прошла успешно во всех пяти группах.
В основе разработки — алгоритм Microscopy-Aware Attention (MAA). В отличие от иных нейросетевых прототипов он учитывает особенности микроскопии: изображение разбирается не по пикселям, а по биологически значимым признакам — форме, прозрачности, текстуре. Биотехнологи из ИТМО и Санкт-Петербургского государственного технологического института подготовили более 100 000 микропрепаратов бактерий — кокков и бацилл. Снимки делали при разном увеличении, освещении и окраске, чтобы приблизить условия к реальным лабораторным. При анализе бактерий качество классификации выросло до 97,5%.
По словам Михайловой, на первых тестах сбои чаще возникали на нечетких снимках, тогда как масштаб и цветовые расхождения влияли слабее. Фокусировка и стабильное освещение, по ее оценке, лежат в основе цифровой микроскопии. Далее авторы проверят модель в других лабораториях и на другом оборудовании, встроят ее в мультимодальные нейросети и добавят автоматические функции. В перспективе систему можно адаптировать под микробиологию, медицинскую лабораторную диагностику и образование.