XRF-to-Optical Field-of-View Localization with Vision Language Models

غالبًا ما يحتاج العلماء إلى النظر إلى نفس القطعة الصغيرة من الأنسجة بطريقتين مختلفتين لفهم ما يحدث بداخلها. تعتمد إحدى الطريقتين على مجهر ضوئي قياسي لرؤية شكل الخلايا والأنسجة، تمامًا مثل النظر إلى خريطة لمدينة لرؤية أين تقع المتنزهات والمباني. أما الطريقة الأخرى، فتستخدم تقنية أشعة سينية قوية للكشف عن عناصر كيميائية محددة، مثل الفوسفور، والذي يعمل بمثابة كشاف ضوئي يسلط الضوء على الموقع الدقيق لتلك العناصر داخل النسيج. ولتفسير البيانات، يجب أن يكون الباحثون قادرين على مطابقة هاتين الصورتين معًا بشكل مثالي، بحيث يطابق الخريطة الكيميائية خريطة الشكل. تُسمى هذه العملية "التوطين" (localization). وهي ضرورية لدراسة كيفية انتقال العناصر الزهيدة عبر الخلايا العصبية أو كيفية سلوك الجسيمات النانوية داخل الخلايا. ومع ذلك، فإن إجراء هذا التطابق أمر صعب بشكل مفاجئ لأن الصورتين غالبًا ما تبدوان مختلفتين تمامًا؛ فقد تظهر الخريطة الكيميائية مجرد بقعة صغيرة باهتة، بينما تظهر الصورة الضوئية مشهدًا معقدًا من الخلايا. علاوة على ذلك، قد تأتي الخريطة الكيميائية من شريحة نسيج مجاورة مباشرة لشريحة الصورة الضوئية، مما يعني أن الهياكل لا تتطابق تمامًا، وغالبًا ما تغطي الخريطة الكيميائية جزءًا صغيرًا فقط من المساحة الإجمالية الموضحة في الصورة الضوئية.

قام باحثون في مختبر أرغون الوطني وجامعة نورث وسترن مؤخرًا بمعالجة هذه المشكلة عبر اختبار نهج جديد يستخدم الذكاء الاصطناعي للعثور على البقعة المطابقة دون الحاجة إلى تعليمه خصيصًا لهذه المهمة. لقد عملوا مع نوعين من عينات الأنسجة. كان النوع الأول مباشرًا: الخريطة الكيميائية والصورة الضوئية مأخوذتان من نفس شريحة النسيج تمامًا، لذا كانت الأشكال متطابقة جيدًا. أما النوع الثاني فكان أصعب بكثير: حيث جاءت الصور من شريحتين مختلفتين ومتجاورتين من النسيج. وفي هذه الحالة الصعبة، كانت الأشكال مختلفة قليلاً، وكانت الخريطة الكيميائية تغطي مساحة صغيرة جدًا، تصل أحيانًا إلى أقل من واحد بالمائة من المساحة الإجمالية للصورة. اختبر الفريق ما إذا كان بإمكان نماذج الرؤية واللغة الحديثة —وهي أنظمة ذكاء اصطناعي يمكنها فهم كل من الصور والتعليمات المكتوبة— تحديد موقع الخريطة الكيميائية على الصورة الضوئية بمجرد طلب ذلك منها. ووجدوا أن مجرد طلب تحديد الموقع من الذكاء الاصطناعي لم يكن موثوقًا بما يكفي بمفرده؛ فقد كان بإمكان الذكاء الاصطناعي التخمين، لكنه كان يرتكب أخطاءً في كثير من الأحيان، خاصة عندما كانت شرائح الأنسجة مختلفة أو عندما كان الهدف صغيرًا جدًا.

ولحل هذه المشكلة، طور الباحثون سير عمل يتكون من خطوتين. أولاً، تركوا الذكاء الاصطناست يقوم بعدة تخمينات مختلفة حول مكان وجود الخريطة الكيميائية المحتمل. وبدلاً من الوثوق بتخمين واحد فقط، عاملو هذه التخمينات كقائمة من المرشحين. ثم استخدموا برنامج حاسوبي قياسي للتحقق من كل مرشح مقابل البيانات الكيميائية الفعلية لمعرفة أي منها هو المطابق الأفضل. نجحت طريقة اقتراح العديد من الخيارات ثم التحقق منها بشكل أفضل بكثير من الاعتماد على الذكاء الاصطناعي وحده. وفي حالات عينات الأنسجة المتجاورة الصعبة التي فشلت فيها الطرق التقليدية تمامًا، نجح سير العمل الجديد هذا في تحديد الموقع الصحيح في حالات كثيرة. كما اختبر الباحثون أدوات ذكاء اصطناعي متقدمة أخرى لم تكن مصممة لهذه الوظيفة تحديدًا، لكنهم وجدوا أن أيًا منها لم يستطع حل المشكلة بمفرده دون عملية الخطوتين هذه.

أظهرت الدراسة أنه بينما لا تعد نماذج الذكاء الاصطناعي القوية هذه مثالية في تحديد المواقع بدقة بمفردها، إلا أنها ممتازة في توليد قائمة قصيرة من الاحتمالات. وعند دمجها مع فحص بسيط يقارن الأنماط البصرية للصورتين، يصبح النظام أداة موثوقة للعلماء. وهذا أمر مهم بشكل خاص للحالات الصعبة حيث لا تتطابق شرائح الأنسجة تمامًا، وهي حالة عادة ما تستسلم أمامها الطرق القديمة. لقد أثبت الباحثون أنه من خلال استخدام الذكاء الاصطناعي لاقتراح الاحتمالات ثم ترك الكمبيوتر للتحقق من الخيار الأفضل، استطاعوا استعادة نتائج مفيدة حتى عندما تبدو الصور مختلفة جدًا. ولا يتطلب هذا النهج تدريب الذكاء الاصطناعي على بيانات جديدة لكل تجربة، مما يجعله أداة مرنة للعلماء الذين يحتاجون إلى ربط أنواع مختلفة من الصور المجهرية بسرعة ودقة. ويؤكد هذا العمل أنه بالنسبة لأكثر مهام التصوير العلمي تحديًا، فإن الاستراتيجية المثلى هي غالبًا ترك الذكاء الاصطناعي يقوم بالعصف الذهني ثم ترك البيانات تحسم الإجابة النهائية.