AI-based automated active learning for discovery of hidden dynamic processes: A use case in light microscopy

https://arxiv.org/abs/2310.04461

1. 本研究の学術的な背景は、生物医学の環境において動的プロセスを評価する実験が主に人間のエクスペリメント実施者によって行われていることです。また、現代の実装では多くの場合、数百の並行した、非同期のプロセスから関連するイベントを最大限に取得することを目指しています。研究の中心的な問いは、「高スループットな実験では、特定のプロセスを同時に観察できるのは1つまたは少数であるため、効率的な取得計画を実行する戦略は何か」です。

2. 本研究の目的は、予測可能なエンコードされた動的プロセス（Encoded Dynamic Process、EDP）と、それを実験自動化パイプライン（Experiment Automation Pipeline for Dynamic Processes、EAPDP）に統合することで、高スループットの生物医学実験における効率的な計画と実施を可能にする新しい方法を提案することです。学術的な独自性と創造性は、静止画像から擬似時間を予測するためにAIを活用したEDPとMLOpsを基盤としたEAPDPの開発という新しいアプローチにあります。

3. 本研究は、現在の生物医学の実験が非効率的であり、大量の無関係なデータの生成や無駄な実験の繰り返しなどを引き起こしているという課題から引き出されました。また、人間の監督者による観察は誤りが生じやすく、時間効率が良くないという問題も確認されています。以上を踏まえ、本研究は既存の研究の限界を超えることを試みています。

4. 本研究では、動的な生物医学の進行過程を理解し、効率的な実験実施アプローチを可能にするための２つの新しい手法、EDPとEAPDPを提案しました。具体的には、EDPを用いて、特定の生物医学的プロセスの擬似時間を予測できるようにしました。また、EAPDPを通じて、この知識を利用して実験の取得を効率的にスケジュールすることができます。

5. 本研究の有効性は、初の実験によって検証されました。具体的には、事前に訓練されたState-Of-TheArt（SOTA）オブジェクト分割方法であるContour Proposal Networks（CPN）が、EAPDPのモジュールとして、取得した三次元画像スタックからEDPのための関連するオブジェクトを信頼性高く抽出できることが示されました。