Tommy Berger Eriksen je vedoucím zdravotním specialistou ve Skretting Aquaculture Inocation Centre, kde pracuje v našem biotechnologickém centru The Bubble. Specializuje se na histologii, studium tkáně pomocí mikroskopie.
Histologie je zlatým standardem metod pro hodnocení zdraví lidí a zvířat. Ve společnosti Skretting tuto metodu založenou na mikroskopu v posledních dvou desetiletích optimalizujeme za pomoci několika doktorandských projektů a ve spolupráci se světovými institucemi, jako jsou univerzity a nemocnice.. V The Bubble máme nejmodernější vybavení včetně vysoce výkonného skeneru mikroskopických diapozitivů, který dokáže převést až 150 mikroskopických preparátů najednou na virtuální preparáty s neuvěřitelně vysokým rozlišením, které odhalují tak úžasné detaily, že můžeme dokonce přiblížit jednotlivé buňky. Usilujeme o spolupráci s těmi nejlepšími, jsme v čele pokroku vědeckých metod v oblasti digitální histologie a jsme průkopníky v jejich použití v oblasti zdraví ryb a krevet.
Od roku 2011, kdy Tommy začal pracovat s histologií, jeho role vždy zahrnovala více procesů včetně plánování a koordinace, barvení tkání, digitalizace, analýzy obrazu a interpretace výsledků. Nyní, s umělou inteligencí, se věci dostávají na další úroveň.
"Část, kde jsou tkáně klasifikovány na digitálních snímcích a pixely jsou tříděny do různých kategorií, je nejobtížnější a časově nejnáročnější částí. A od roku 2021 k tomu používáme umělou inteligenci," vysvětluje Tommy.
Zobrazit: Operátor komentuje/kreslí příklady na obrazech, které mají být zobrazeny umělou inteligencí.
Trénink: Umělá inteligence se prezentuje na anotovaných příkladech. Umělá inteligence se na základě snímků učí analyzovat tkáně podle poskytnutých příkladů. Poté vytvoří algoritmus.
Najděte to: Nyní může operátor poskytnout umělé inteligenci řadu obrázků a ta automaticky najde požadovaná data.
Trénování umělé inteligence ke klasifikaci konkrétních buněk nebo oblastí zájmu vyžaduje identifikaci široké škály příkladů. "Je to zásadní krok," říká Tommy. "Cílem je vyvinout umělou inteligenci, která dokáže analyzovat více projektů, i když se vyskytnou odchylky ve struktuře tkáně nebo intenzitě barvení. Pokud mají například vzorky jednoho projektu mnohem tmavší barvu než obvykle, může umělá inteligence data chybně interpretovat, pokud jí během školení nebudou poskytnuty podobné příklady."
Jakmile jsou identifikovány příklady, Tommy pečlivě komentuje různé buňky a oblasti zájmu, což je proces, který může trvat dny nebo dokonce týdny, než se data předají umělé inteligenci k trénování. "V závislosti na počtu příkladů a faktorech, jako je složitost, hardware a rozlišení obrazu, může proces školení trvat od několika hodin až po několik dní. Umělá inteligence neustále zdokonaluje svůj algoritmus porovnáváním jeho klasifikací s poskytnutými anotacemi. "Naším cílem je, aby klasifikace umělé inteligence odpovídala našim anotacím s přesností 98-99 %. I když moje anotace nemusí být dokonalé pro každou jednotlivou buňku, umělá inteligence je dostatečně chytrá, aby odvodila správné vzory na základě průměrné kvality mých anotací."
Tommyho práce s umělou inteligencí vyžadovala trpělivost a přesnost, ale výsledky mluví samy za sebe. Dnes dokáže umělá inteligence izolovat oblast zájmu, jako je epidermis, ze 400 vzorků kůže za méně než hodinu – což je úkol, který by patologovi zabral 40 hodin. "A protože je to automatizované, můžete tu hodinu strávit něčím jiným," podotýká Tommy. Vývoj robustní umělé inteligence sice vyžaduje čas, ale návratnost je značná a šetří obrovské množství člověkohodin.
"Moje práce ale ještě neskončila," směje se. "Udělali jsme velký pokrok v anotaci a klasifikaci lososových tkání, zejména pro střeva, kůži a žábry. Stále však probíhá práce s dalšími orgány a druhy, jako jsou krevety. Vždy je třeba udělat více – zdokonalit algoritmy, nakrmit umělou inteligenci více příklady a zlepšit přesnost."