تا حالا شده فکر کنی چطور میشه با هوش مصنوعی (AI) باکتری‌های مختلف رو فقط با دیدن عکسشون تشخیص داد؟ خب، اخیراً پژوهشگرها خیلی روی این موضوع کار کردن و به نتایج جالبی هم رسیدن! مشکل بزرگی که معمولاً سر راه این کار هست، اینه که عکس‌هایی که دستگاه‌های میکروسکوپ می‌گیرن همیشه یه جور نیستن؛ مخصوصاً وقتی توی آزمایشگاه‌های مختلف یا شرایط محیطی متفاوت باشیم. این تغییرات تصویر یا همون “imaging variability” می‌تونه باعث بشه مدل هوش مصنوعی قاطی کنه و خوب تشخیص نده.
حالا توی این تحقیق، اومدن یه راه‌حل توپ به اسم “domain adaptation” رو امتحان کردن. یعنی چی؟ یعنی مدل یاد می‌گیره خودش رو با شرایط جدید، مثلاً عکسای گرفته شده با دوربین‌های دیگه یا با بزرگ‌نمایی متفاوت، سازگار کنه تا زیاد گیج نشه! برای این کار اومدن با استفاده از شبکه‌های عصبی خاصی به اسم “domain-adversarial neural networks” یا همون DANN (یه جور مدل یادگیری ماشینه که برای سازگار شدن با محیط‌های مختلف خیلی خوب جواب میده) کار کردن.
توی آزمایششون از شش نوع باکتری استفاده کردن: سه تا گرم مثبت مثل Bacillus coagulans، Bacillus subtilis و Listeria innocua (که معمولاً توی غذا پیدا میشن)، و سه تا باکتری گرم منفی مثل Escherichia coli، Salmonella Enteritidis و Salmonella Typhimurium (این دوتای آخر اسمشونو زیاد تو اخبار شنیدیم، همونا که مشکل مسمومیت غذایی درست می‌کنن!).
حالا این باکتری‌ها رو روی یه محیط غذایی مخصوص (soft tryptic soy agar) تو دمای ۳۷ درجه سانتی‌گراد (دمای بدن انسان) بین ۳ تا ۵ ساعت رشد دادن تا کوچیک و خوشگل بشن و بعد ازشون با میکروسکوپ تو شرایط مختلف عکس گرفتن: بزرگ‌نمایی بالا (۶۰ برابر)، بزرگ‌نمایی پایین (۲۰ برابر)، و حتی با تکنیک‌های نوری متفاوت (مثلاً phase contrast و brightfield یا BF که هر کدوم یه جور نورپردازی واسه میکروسکوپه).
جمعاً برای هر گونه باکتری تو شرایط اصلی ۱۰۵ تا عکس جمع کردن (که جمع کلش برای شش گونه میشه ۶۳۰ تا عکس). اما توی شرایط متفاوت (که براشون اسم Target domains گذاشتن، مثلاً همون brightfield یا بزرگ‌نمایی پایین)، تعداد عکسا خیلی کمتر بود و گاهی فقط از هر گونه ۵ تا عکس داشتن (که این توی دنیای هوش مصنوعی بهش میگن “few-shot learning”، یعنی مدل باید با داده خیلی کم یاد بگیره).
حالا بریم سر اصل ماجرا: این تیم با DANNها کاری کردن که دقت تشخیص مدل واسه عکس‌هایی که تو شرایط متفاوت گرفته شده بودن، تا ۵۴.۵٪ بهتر بشه. یعنی مدل اولش تو بزرگ‌نمایی ۲۰ برابر فقط ۳۴.۴٪ درست تشخیص می‌داد، ولی با روش جدیدشون رسید به ۸۸.۹٪ که واقعاً فرق داره! برای شرایط دیگه هم دقت خیلی بالاتر رفت (برای brightfield از ۴۳.۴٪ به ۷۳.۳٪). حتی وقتی یه مدل قوی‌تر که اسمش MDANN بود آموزش دادن، دوباره دقت بهتر شد و توی brightfield رسید به ۷۶.۷٪.
برای اینکه مطمئن بشن مدل واقعاً خوب داره یاد می‌گیره و فقط تقلبی قوی نشده (!)، از ابزارهایی مثل Grad-CAM (یه روشی برای دیدن این که شبکه عصبی داره تو کدوم قسمت تصویر تمرکز می‌کنه) و t-SNE (یه الگوریتم برای نمایش تصویری داده‌های پیچیده تو فضای دوبعدی) استفاده کردن.
آخر سر، این روش جدیدشون ثابت کرد حتی جاهایی که شرایط آزمایشگاه مثل همیشه خوب و ثابت نیست، با کمک همین هوش مصنوعی و domain adaptation میشه میکروسکوپی رو تبدیل کرد به یک ابزار مطمئن برای تشخیص سریع و درست باکتری‌های غذایی؛ اونم حتی اگه تعداد نمونه‌ها کم باشه یا شرایط خیلی فرق داشته باشه. یعنی چه تو روستا باشی چه تو یه آزمایشگاه مجهز شهری، احتمالاً میشه با یه مدل هوش مصنوعی خوب، کلی از مشکلات قدیمی رو حل کرد! و حالا دیگه لازم نیست فقط دل به شانس و دستگاه‌های گرون ببندی.
منبع: +
