تجزیه و تحلیل بدون برچسب بازسازی بافت التهابی در بافت ریه موش بر اساس میکروسکوپ چند فوتونی، طیف‌سنجی رامان و یادگیری ماشینی

خلاصه

بازسازی بافت فیبروتیک التهابی می تواند منجر به عوارض شدید شود. درجه بندی هیستوپاتولوژی مستلزم استخراج بیوپسی و پردازش بافت دقیق است. فناوری‌های نوری بدون برچسب می‌توانند بازخوانی تشخیصی را بدون آماده‌سازی و رنگ‌آمیزی مصنوعی ارائه دهند و پتانسیل را برای کاربردهای in vivo نشان دهند. در اینجا، ما ادغام طیف‌سنجی رامان (RS) و میکروسکوپ چند فوتونی (MPM) را برای بررسی مشترک ترکیبات بیوشیمیایی و ویژگی‌های مورفولوژیکی مربوط به اجزای سلولی و بافت همبند ارائه می‌کنیم. هر دو روش نشان می دهد که امضاهای کلاژن به طور قابل توجهی در یک مدل فیبروز موش افزایش یافته است. علاوه بر این، امضاهای اتوفلورسانس اختصاص داده شده به سلول های ایمنی، همبستگی بالایی با شدت بیماری نشان می دهد. RS نشان دهنده افزایش سطح الاستین و لیپیدها است. علاوه بر این، ما تأثیر مجموعه داده‌های مشترک بر عملکرد پیش‌بینی در مدل‌های یادگیری ماشین را بررسی کردیم. اگرچه طبقه‌بندی باینری از افزودن ویژگی‌های بیشتر سودی نداشت، طبقه‌بندی چند کلاسه با مجموعه داده‌های یکپارچه بهبود یافت.

موچین نوری و طیف‌سنجی رامان برای طبقه‌بندی تک سلولی مقاومت دارویی در لوسمی لنفوبلاستیک حاد

خلاصه

موچین لیزری طیف سنجی رامان (LTRS) ترکیبی از موچین لیزری و طیف سنجی رامان است. این یک ابزار فیزیکی مبتنی بر اثرات مکانیکی لیزر است که می‌توان از آن برای مطالعه سلول‌های زنده منفرد در حالت تعلیق به روشی سریع و غیر مخرب استفاده کرد. هدف کار ما ایجاد یک سیستم روش‌شناسی مبتنی بر LTRS برای تشخیص سریع و غیر مخرب مقاومت سلول‌های لوسمی لنفوبلاستیک حاد (ALL) و ارائه یک ایده جدید برای ارزیابی مقاومت سلول‌های ALL است. دو سلول BALL-1 و Nalm6 خاص مقاوم به آدریامایسین و والدین ALL در این مطالعه وارد شدند. سلول‌های مقاوم به آدریامایسین می‌توانند تفاوت‌های طیفی را القا کنند، که می‌تواند در ابتدا توسط LTRS شناسایی شود. برای اطمینان از صحت نتایج، از تجزیه و تحلیل مؤلفه‌های اصلی (PCA) و همچنین الگوریتم‌های طبقه‌بندی و درختان رگرسیون (CRT) استفاده می‌کنیم که نشان می‌دهد ویژگی و حساسیت LTRS بالای 90 درصد است. علاوه بر این، برای روشن شدن بیشتر وضعیت مقاومت شیمیایی سلول‌های ALL، از مدل‌های CRT و منحنی‌های مشخصه عملکرد گیرنده (ROC) استفاده کردیم که بر اساس داده‌های باند هستند تا به دنبال باندهای مهم و نسبت‌های شدت باند که دارای اهمیت نقطه‌ای قوی هستند، بگردیم. کار ما ثابت می‌کند که تجزیه و تحلیل LTRS همراه با تجزیه و تحلیل‌های آماری چند متغیره، پتانسیل بالایی برای تبدیل شدن به یک استراتژی تحلیلی جدید در سطح تک سلولی برای ارزیابی سریع وضعیت مقاومت شیمیایی سلول‌های ALL دارد.

فن‌آوری‌های هوش مصنوعی

نتیجه گیری و چشم انداز

فن‌آوری‌های هوش مصنوعی در حال فراگیرتر شدن و گسترده‌تر شدن در طیف وسیعی از زمینه‌ها، از کاربردهای تجاری تا تحقیقات علمی پیشرفته هستند. از این نظر، فوتونیک جایگاه برجسته ای را اشغال می کند.

زمینه های تجربی متعددی ممکن است از قابلیت منحصر به فرد الگوریتم های مبتنی بر هوش مصنوعی برای تقریب روابط پیچیده بهره مند شوند. این واقعیت به محققان این امکان را می‌دهد تا با گنجاندن ابزارهای هوش مصنوعی مستقیماً در روال‌های آزمایشی، عملکرد را افزایش داده و پیچیدگی آزمایش‌ها را کاهش دهند. همچنین، مدل‌های ML ابزارهای جدید و قدرتمندی برای تجزیه و تحلیل داده‌ها ارائه می‌کنند که به لطف روش آموزشی، برای مشکل موجود طراحی شده‌اند و در بیشتر موارد منجر به نتایج بی‌سابقه‌ای می‌شوند. در این بررسی، ما مبانی نظری ML و DL را شرح دادیم و کاربرد آنها را در چندین زمینه فوتونیکی تجربی نشان دادیم.

در طیف‌سنجی، مدل‌های DL برای انجام نویز زدایی از ردیابی‌های طیفی، به‌عنوان مثال، برای حذف سیگنال‌های جعلی در اندازه‌گیری‌های منسجم طیف‌سنجی رامان یا برای حذف مدولاسیون فاز متقاطع در دینامیک پمپ-کاوشگر فوق‌سریع، و حذف نویز فضایی و طیفی داده‌های فراطیفی، استفاده شده‌اند. همانطور که در برنامه های تصویربرداری رامان منسجم ایجاد می شود. سایر مدل‌های DL برای شیمی‌سنجی هم در آزمایش‌های طیف‌سنجی و هم تصویربرداری به کار گرفته شده‌اند. از آنجایی که طیف‌سنجی استاندارد طلایی برای تعیین مشخصات مواد و بیومواد است، ادغام ابزارهای هوش مصنوعی برای تجزیه و تحلیل داده‌ها می‌تواند پذیرش تکنیک‌های طیف‌سنجی پیشرفته را در سطح صنعتی برای کاربردهای مختلف، مانند غربالگری دارو و کنترل کیفیت مواد، و نیز بهبود بخشد. برای تشخیص پزشکی و تحقیقات نجومی.

NN ها به ویژه برای کمک به شکل دهی جبهه موج نوری در هنگام برخورد با مسئله معکوس غیرخطی کنترل نور پس از انتشار در یک محیط انتشار موثر هستند. آنها نیاز به اطلاعات گسترده، مانند دامنه پیچیده میدان ها، و سیستم های آزمایشی پیچیده مورد نیاز با رویکردهای تحلیلی استاندارد بر اساس حل معادلات ماکسول را دور می زنند. به عنوان مثال، مدل‌های ML در تصویربرداری محاسباتی برای تقریب ماتریس انتقال از الگوهای لکه‌ای پس از یک پراکنده به تصویر یا رابطه بین الگوی روشنایی نشان‌داده‌شده در یک مدولاتور نور فضایی و توزیع شدت نور متناظر که توسط دوربین خوانده می‌شود، استفاده شده‌اند. در هولوگرافی دیجیتال برای بازیابی اطلاعات فاز از یک هولوگرام اندازه گیری شده واحد. زمانی که نور در MMF منتشر می‌شود، چارچوب مشابهی پیدا می‌شود، جایی که پراکندگی مدال جبهه موج نور منسجم منتشر شده در داخل فیبر را تحریف می‌کند. NN ها راه حل های معتبری را برای بازسازی رابطه غیرخطی بین ورودی و خروجی در MMF ها، انجام تشخیص شی و بازسازی طیفی، بازسازی ورودی با توجه به الگوی لکه ای در خروجی MMF و برای بازیابی اطلاعات در موقعیت های تجربی پر سر و صدا ارائه می دهند. از این نظر، تکنیک‌های شکل‌دهی جبهه موج مبتنی بر ML منبع ارزشمندی برای توموگرافی منسجم، سنجش نوری، و تصویربرداری فاز کمی در کاربردهای بیولوژیکی است که خواص مورفولوژیکی و مکانیکی را در سطح زیر سلولی مشتق می‌کنند.

راه‌حل‌های مبتنی بر NN نه تنها در تجزیه و تحلیل داده‌ها، بلکه در تنظیمات تجربی نیز با موفقیت به کار گرفته شده‌اند. ما استفاده از DL را برای تولید فرکانس‌های نوری جدید در MMF، برای تولید ابرپیوسته نور سفید و همچنین برای تولید و توصیف حالت‌های کوانتومی نور، بلوک‌های سازنده همه آزمایش‌های اطلاعات کوانتومی انجام‌شده با نور، توصیف کردیم. پیشرفت‌های بیشتر این رویکردها ممکن است کیفیت و قابلیت اطمینان راه‌اندازی‌های آزمایشی را به شیوه‌ای غیر ضروری بهبود بخشد. در فوتونیک کوانتومی، راه‌حل‌های جالب ارائه شده توسط ابزارهای هوش مصنوعی شامل دور زدن تخمین مدل‌های نظری برای کاربردهای سنجش و سنجش و مدل‌سازی حالت‌های کوانتومی در محیط‌های پر سر و صدا است، جایی که رویکردهای تحلیلی ممکن است از نظر محاسباتی بسیار سنگین باشند. با توجه به داده‌های کافی که رفتار سیستم را به شکل جفت ورودی-خروجی نشان می‌دهند، الگوریتم‌های ML و NN می‌توانند برای تقریب توصیف ناشناخته استفاده شوند.

در نهایت، محاسبات فوتونیک یک زمینه تحقیقاتی است که در آن دیدگاه مخالف رابطه بین فوتونیک و هوش مصنوعی در نظر گرفته شده است. از این نظر، دستگاه های فوتونیک قادر به ارائه پلت فرم های محاسباتی موثر انرژی هستند. فرصت‌های جدیدی ممکن است از این حوزه تحقیقاتی به‌ویژه با هدف ترکیب کامل الگوریتم‌های هوش مصنوعی در دستگاه‌هایی که قادر به پاسخ‌های آنی و دقیق هستند، پدید آید.

مجله اپتیک زیست پزشکی

"تشخیص عفونت COVID-19 مبتنی بر بزاق در محیطی واقعی با استفاده از طیف‌سنجی رامان بدون واکنش و یادگیری ماشینی"

تشخیص بلادرنگ بیماری با استفاده از فناوری اپتیک

تشخیص زودهنگام برای پیامدهای بیماری در همه بیماری ها مهم است. برای برخی، مانند انواع خاصی از سرطان، شروع زودهنگام درمان می تواند به طور قابل توجهی شانس کلی بقا را افزایش دهد. در دهه‌های اخیر، توسعه ابزارهای تشخیصی جدید حساس‌تر، تجویز را در شناسایی علائم اولیه بیماری آسان‌تر و مؤثرتر کرده است. این ابزارها به کانون اصلی تحقیقات پزشکی تبدیل شده اند.

تشخیص بیماری نیز در پیشگیری از شیوع بیماری های عفونی مهم است. همه‌گیری COVID-19 نقش ابزارهای تشخیصی مانند جریان جانبی و آزمایش‌های PCR را برجسته کرده است. اینها در سرتاسر جهان به عنوان اقدامات ایمنی مورد استفاده قرار گرفته‌اند که اجازه می‌دهد محدودیت‌ها با خیال راحت کاهش یابد و رفتار اجتماعی به حالت عادی از سر گرفته شود.

در آغاز همه‌گیری، بدون هیچ روش قابل دسترسی برای تشخیص بیماری، بسیاری از جهان در محدودیت‌های شدید از جمله قوانین ماندن در خانه قرار گرفتند. روش‌های تشخیص بیماری مانند روش‌هایی که برای جلوگیری از گسترش COVID-19 استفاده می‌شوند، احتمالاً نقش مهمی در پیشگیری از همه‌گیری‌ها و همه‌گیری‌های آینده خواهند داشت.

فناوری اپتیک فعلی برای تشخیص بیماری در زمان واقعی

هنگامی که نور در معرض بافت بیولوژیکی قرار می گیرد، به روش های مختلفی با آن تعامل می کند. نور ممکن است به صورت الاستیک یا غیر الاستیک پراکنده شود، منعکس شود، جذب شود یا فلورسانس کند.

دانشمندان روش هایی را برای تجزیه و تحلیل موثر این فعل و انفعالات ایجاد کرده اند تا بینش ارزشمندی را در مورد فعالیت بیولوژیکی که در داخل بدن رخ می دهد در بافت ارائه دهند. در طول سال‌ها، نوآوری‌ها در چنین فناوری‌هایی به دانشمندان این امکان را داده است که بیماری‌ها را بدون نیاز به بیوپسی تهاجمی تشخیص دهند.

فیبرهای نوری نور تابشی موضعی را از طریق ابزارهای کم تهاجمی مانند آندوسکوپ ارائه می دهند. در چند دهه اخیر، پیشرفت‌های چشمگیری در تکنیک‌های طیف‌سنجی نوری صورت گرفته است و تعداد زیادی از آزمایش‌های پزشکی و بالینی کارآیی آنها را ثابت کرده‌اند.

تکنیک‌های طیف‌سنجی نوری موجود در حال حاضر، طیف‌سنجی پراکندگی نوری الاستیک (EOSS)، طیف‌سنجی فلورسانس (FS)، و طیف‌سنجی رامان (RS) هستند.

نمایشگاه CES ۲۰۲۱

ساعت هوشمندی که ادعا می‌شود بدون سوزن، قند خون را بررسی می‌کند

یک استارتاپ در نمایشگاه آنلاین CES ۲۰۲۱ ادعا کرده که موفق به ساخت نمونه اولیه یک گجت پوشیدنی جدید شده است که می‌تواند قند خون را بدون استفاده از سوزن برای آزمایش نمونه خون بررسی کند.

به گزارش ایسنا و به نقل از انگجت، یک شرکت استارتاپ ژاپنی در نمایشگاه CES امسال که در حال برگزاری است، ادعا می‌کند که یکی از بزرگترین مشکلات فناوری پزشکی را حل کرده و موفق به کنترل مداوم قند خون به روشی غیرتهاجمی شده است. 

طیف‌سنجی رامان

طیف سنجی (بیناب نمایی) رامان مطالعه نوعی از برهمکنش بین نور و ماده است که در آن نور دچار پراکندگی غیرالاستیک می‌شود. در آزمایشهای طیف سنجی رامان، فوتونهای تک طول موج (در ناحیهٔ مرئی، نور تکفام گفته می‌شود) روی نمونه متمرکز می‌شود و عموماً لیزر به عنوان چشمه تکفام شدت بالا بکار می‌رود. فوتونها با مولکول‌ها برهمکنش می‌کنند و بازتابیده، جذب یا پراکنده می‌شوند.  

بومی‌سازی سیستم‌های طیف‌سنجی برای کاربرد در صنایع و پزشکی