یکی از مهم ترین مراحل در تشخیص سرطان تشخیص سلول های سرطانی و مکان یابی سلول هاست.
حرکات سلولی سرنخ هایی از چگونگی تأثیر داروها یا انواع ژن ها بر گسترش تومورها در بدن ارائه می دهند. در نتیجه می توان به کمک فیلم های میکروسکوپی هسته سلول ها را ردیابی کرد. اما ردیابی سلول های سرطانی به صورت دستی کار دشواری است. پروژه ای که در این زمینه بررسی می کنیم توسط ژاکمیت، یک زیست شناس سلولی صورت گرفته است.
ژاکمیت به یک ماشین آموزش داد تا به جای او هسته های سلولی را دنبال کند. روش های استفاده شده در این پروژه برگرفته از پلتفرم ZeroCostDL4Mic بوده است؛ که بخشی از مجموعه منابع با هدف تسهیل استفاده از فناوری هوش مصنوعی (AI) برای دانشمندانی دارای حداقل تجربه برنامه نویسی می باشد.
فن آوری های هوش مصنوعی شامل چندین روش است. یکی از این روش ها، یادگیری ماشینی نام دارد که از داده هایی استفاده می کند که به صورت دستی پردازش شده و مطابق آنچه AI می آموزد پیش بینی می کند. در مقابل، یادگیری عمیق می تواند الگوهای پیچیده ای را در داده های خام شناسایی کند. که در اتومبیل های خودران، نرم افزارهای تشخیص گفتار، بازی های رایانه ای و همچنین برای یافتن هسته سلول در مجموعه داده های میکروسکوپی گسترده استفاده می شود.
منشا یادگیری عمیق به ١٩۴٠ بر می گردد. هنگامی که دانشمندان یک مدل رایانه ای با لایه های به هم پیوسته که مانند نورون های مغز انسان سازمان یافته بود، را طراحی کردند. چند دهه بعد، محققان به این “شبکه های عصبی” آموزش دادند تا شکل ها، کلمات و اعداد را شناسایی کنند. پس از کمتر از یک دهه، دیپ لرنینگ وارد دنیای زیست شناسی و پزشکی شد.
یکی از بزرگترین محرک های رشد دیپ لرنینگ در این عرصه، افزایش داده های زیستی بوده است. با استفاده از فناوری های جدید توالی ژنوم، یک آزمایش واحد می تواند چندین گیگابایت اطلاعات تولید کند. اطلس ژنوم سرطان (The Cancer Genome Atlas) ، که در سال ٢٠٠۶ راه اندازی شد، اطلاعاتی در مورد ده ها هزار نمونه از ٣٣ نوع سرطان را جمع آوری کرده است. این داده ها بیش از ۵/٢ پتابایت است (١ پتابایت معادل ١ میلیون گیگابایت است).