딥러닝, 생명과학 검사 자동화에 혁명 일으키다

딥러닝이 생명과학 산업 검사를 자동화하는 방법

원문 출처: 저자 브라이언 베누아(Brian Benoit)

생명과학 산업은 자본 집약적 연구와 의료 기기로 유명하며, 의료 영상, 샘플 테스트, 약물 제조 관행을 발전시켜 왔습니다. 이 장치들은 설계에 머신 비전 기능이 통합되어 있습니다.

하지만 특정 실험실 자동화 애플리케이션에서는 머신 비전이 인간의 판단 기반 결정을 내리는 마음의 유연성을 충분히 따라잡지 못합니다. 컴퓨터는 복잡한 배경과 이미지 품질 문제(예: 정반사 눈부심)로 유명하게 혼란스러워합니다. 이는 기존 머신 비전 알고리즘이 관심 객체나 영역을 정밀하게 찾는 것을 엄청나게 어렵게 만들며, 특히 비정형 장면에서 이상을 식별할 때 그렇습니다. 자동화 시스템이 관련 없는 특징을 무시하면서 관심 영역을 성공적으로 식별하는 것은 시간 소모적이고 어렵거나 불가능할 수 있습니다.

하지만 오늘날 딥러닝 기반 이미지 분석의 혁신으로 이러한 애플리케이션을 신뢰성 있고 반복적으로 수행할 수 있게 되었습니다. 머신 비전 용어로 '강건하게(robustly)' 말입니다.

다운로드: 생명과학 솔루션을 위한 딥러닝 가이드

생명과학 결함 검출

이전에는 인간 검사가 필요했던 임상 및 연구 현미경 애플리케이션이 딥러닝 기반 이미지 분석 적용으로 재탄생하고 있습니다. 병리 및 조직학 샘플은 예를 들어 결함의 가변적이고 예측 불가능한 패턴에도 불구하고 정확한 결함 검출과 분할이 필요합니다.

조직학적(세포 조직) 슬라이드에서 세포 이상과 세포 손상을 검출하는 과제를 고려할 때, 잠재적 시각적 모습은 상상을 초월합니다.

암세포는 다양한 크기와 모양으로 나타날 수 있으며, 그 다양한 형태는 대부분의 경우 비슷하기보다 다릅니다. 검사 시스템에 가능한 모든 이상을 식별하도록 가르치는 것은 광범위한 프로그래밍 없이는 사실상 불가능하며, 심지어 그러면 거짓 식별이나 거부 가능성이 높습니다. 이런 상황에서 비지도 모드의 딥러닝 기반 이미지 분석은 매우 정확하고 효율적인 검사 모드를 제공합니다.

우리의 세포 이상 검출 애플리케이션에서 훈련 엔지니어는 암 같은 가능한 세포 이상의 샘플 이미지를 사용하여 소프트웨어가 세포나 세포 클러스터의 정상적 모습을 개념화하고 일반화하도록 가르칩니다. 이 슬라이드들은 '양호'한 건강한 세포의 예로 라벨링되며, 유사 분열 같은 정상적 건강한 세포 변이도 고려합니다. 그런 다음 런타임에 어떤 변이도 비정상적으로 플래그되어 세포 손상을 예시할 가능성이 높습니다. 이 애플리케이션은 한 단계 더 필요합니다.

한번 세포나 세포 클러스터가 플래그되면, 해당 관심 영역은 추가 검토를 위해 실시간으로 동적으로 분할되어야 합니다. 세포는 잠재적 손상을 보이는데, 그 모습이 정상에서 벗어나기 때문입니다. 하지만 반드시 암세포는 아닙니다. 이런 편차는 슬라이드의 아티팩트 때문일 수 있습니다.

보통 인간 검사자(아마 병리학자)가 이 샘플 부분집합을 검토해 확진을 내려야 합니다. 하지만 다시 코그넥스(Cognex)의 딥러닝 기반 소프트웨어가 부분집합 표적 구역에서 알고리즘을 재실행합니다. 이때 지도 모드에서 재훈련하여 '양호'(허용 가능, 비손상) 세포와 '불량'(병리적, 손상) 세포를 구별합니다.

생명과학 광학 문자 인식(OCR)

많은 의료 공급업체는 추적성과 안전 규정 준수를 위해 자동 식별에 의존합니다. 사람이 읽을 수 있는 영숫자 문자가 스트레처블, 몰더블 소재(예: IV 백)에 있으면 자동 검사 시스템 카메라에는 쉽게 변형되어 보일 수 있습니다. 정반사 눈부심과 반사도 시스템을 혼란스럽게 하여 코드의 자연스러운 모습을 가리고 변경합니다.

이런 시각적 변이가 없더라도, 검사 시스템이 마주칠 폰트 스타일을 예상할 수 없는 광학 문자 검증(OCV) 경우처럼 비전 시스템이 다양한 폰트를 인식하도록 가르치는 것은 여전히 엄청나게 시간 집약적일 수 있습니다. 여기서 사전 훈련된 옴니폰트 라이브러리가 유용할 수 있습니다. 다양한 폰트를 인식하도록 사전 훈련된 딥러닝 기반 도구는 본질적으로 아웃오브더박스(out-of-the-box)로 작동합니다. 초기 이미지 기반 훈련이 필요 없으며, 발생하는 최소한의 훈련은 놓친 문자에 대해서만 모델 로직을 다듬기 위해 일어납니다.

빠르고 쉬운 구현과 제한된 애플리케이션 조정은 변형, 왜곡, 불량하게 에칭된 문자가 관련되거나 카메라가 알려지지 않은 다양한 폰트를 마주칠 검증 애플리케이션에서 딥러닝 기반 OCR을 명백한 선택으로 만듭니다.

생명과학 조립 검증

임상 분석기와 체외 진단 장치 같은 실험실 자동화 장치는 머신 비전에 의존해 샘플이 완벽하게 삽입되고 최적 테스트 조건을 위해 정렬되도록 합니다. 진단 장치 제조사의 성공은 기계의 측정과 결과 정확성에 달려 있습니다. 아마도 가장 중요한 것은 테스트 설정과 데크 조립이 정확하여 장치에 정확한 데이터를 제공함으로써 테스트가 정확하고 균일하게 수행되도록 하는 것입니다.

테스트 샘플(혈액, 소변, 조직)의 올바른 조립(프리어셈블리 검증)은 잠재적 오류를 줄여 오염, 혼동, 잘못된 진단 라벨링, 비싼 장비의 지연 또는 고장을 위협할 수 있는 것을 방지하는 데 필수적입니다. 이 검사 동안 자동화 시스템은 잘못 정렬되거나 없는 시험관, 제거되지 않은 캡, 분석기 랙에 적재된 불필요한 용기가 없는지 확인해야 합니다. 장비 랙이 완전히 올바르게 채워졌는지 검증하는 것은 여러 요소를 관리하는 것을 포함합니다: 샘플과 시약 튜브와 용기는 제조사에 따라 모양, 크기, 치수가 다양하며, 기계가 데크에서 샘플 위치를 예측하는 것은 불가능할 수 있습니다.

이러한 테스트 설정의 예측 불가능한 변동성을 고려하면 조립 검증에 딥러닝을 사용하는 것이 합리적입니다. 코그넥스 딥러닝 기반 소프트웨어는 훈련 이미지 세트를 기반으로 다양한 샘플과 시약의 다양한 모습과 예측 불가능하고 다양한 위치를 학습할 수 있습니다.

이 도구는 샘플과 시약의 크기, 모양, 표면 특징 기반 구별 특징을 일반화하고 그들의 정상적 모습과 데크 랙이나 마이크로플레이트에서의 일반적인 위치를 학습합니다. 이렇게 딥러닝은 이전에 프로그래밍하기 어려웠던 애플리케이션을 빠르고, 매우 정확하며, 쉽게 배포할 수 있는 방식으로 자동화하고 해결할 수 있습니다.

생명과학 분류

혈액 샘플 품질 확인에는 여전히 상당한 인간 판단이 필요합니다. 원심 분리되고 인덱싱된 적절히 준비된 샘플은 탁도와 혈장 색상에 대한 개별 점수를 받아야 하기 때문입니다. 샘플이 분석기 기계에 어떻게 로드되는지에 따라 외관이 변할 수 있고 혈액이 상대적으로 더 또는 덜 분리되어 보일 수 있습니다. 이는 인덱싱에 영향을 줍니다.

예를 들어 혈장, 버피 코트, 적혈구가 더 명확하게 층화된 샘플은 덜 뚜렷한 상을 가진 샘플보다 더 높게 평가됩니다. 하지만 우수한 워크플로에 의존하는 고도로 자동화된 실험실 환경에서는 이 접근법이 이상적이지 않습니다. 고맙게도 딥러닝 기반 이미지 분석은 인간 지능을 모방해 원심 분리된 샘플 분리의 품질을 평가할 수 있습니다. 하지만 품질 관리 프로세스에는 한 단계 더 있습니다: 분류입니다.

합격 등급을 받은 샘플만 테스트가 허용됩니다. 이로 인해 검사 시스템이 '양호'(잘 분리된) 적혈구 상의 모습을 일반화하고 개념화할 수 있는 것이 필수적입니다. 이는 혈장 색상, 탁도, 버피 코트 볼륨 같은 샘플 처리 기준에 기반합니다.

딥러닝은 단일 이미지 내에서 여러 객체를 지능적으로 분류, 정렬, 등급화할 수 있는 유일한 자동화 도구입니다. 이 경우 코그넥스 딥러닝은 단일 혈액 바이알 내 여러 클래스를 정렬해 테스트 기준을 충족하는 샘플만 식별하고 통과시킬 수 있습니다.

복잡한 생명과학 애플리케이션을 위한 최신 자동화 솔루션으로, 코그넥스의 딥러닝 기반 도구는 기성품과 OEM 시스템으로 편리하게 제공되어 실험실 자동화 장치에 직접 설계될 수 있습니다. 매우 신뢰할 수 있는 결과와 CPU나 임베디드 PC 같은 추가 인프라에 대한 낮은 수요로, 코그넥스의 딥러닝 기반 소프트웨어는 생명과학 산업의 머신 비전 검사 도구 무기고에 자연스러운 추가물입니다.