Eesti teadlased õpetasid arvuti ülitäpselt rakupiltidest aru saama ({{commentsTotal}})

Arvutile võib õpetada, milline objekt on parasjagu pildil - kass, koer või hoopis vähirakk.
Arvutile võib õpetada, milline objekt on parasjagu pildil - kass, koer või hoopis vähirakk. Autor/allikas: Beety / TenOfAllTrades / Trumpet Dan/ Creative Commons

Kui neli aastat tagasi ei osanud arvuti teha vahet, kas pildil on koer või kass, siis nüüd tuvastavad isesõitvad autod automaatselt liiklusmärke, Facebook tunneb ära fotol olevad näod, ning Google Translate tõlgib reaalajas ka pildistatud teksti. Kõik selle teevad võimalikuks tehislikud närvivõrgud.

Just tehislikke närvivõrke uurib TÜ magister Tanel Pärnamaa, kes koos Leopold Partsiga kirjutasid hiljuti artikli närvivõrkude rakendamisest bioloogias mikroskoobi piltide analüüsimisel. Pilte bioloogilisest materjalist, eelkõige rakkudest, on palju ja tekib aina juurde – näiteks pildistavad ravimifirmad eraldi miljonite kandidaatmolekulide mõju vähirakkudele.

Eksperdil võtab nende analüüsimine aga kaua aega: inimene väsib ära, tahab magada ja süüa. Neid puudusi arvutil pole. “Artiklis näitasime, et mikroskoobi piltide automaatne analüüs närvivõrkudega on väga täpne,” märgib Tanel Pärnamaa.

Pärnamaa, kes praegu jätkab oma uurimistööd Kanadas, uuris alustuseks oma magistritöös sügavate närvivõrkude rakendusi eesti keele peal. Eesmärk oli treenida statistiline masin ehk algoritm, mis suudaks pilte eesti keeles kirjeldada.


Pildi kirjeldus: Automatiseeritud algoritm kirjeldab pilte loomulikus ja grammatiliselt korrektses eesti keeles (vasakpoolne pilt). Kui õppematerjaliks olnud suures hulgas piltides ja nende kirjeldustes puudub informatsioon mõne objekti, näiteks elevandi kohta, ei õpi algoritm seda objekti ära; samuti on algoritmil raskusi loendamisega (parempoolne pilt).

Kuna eesti keeles on palju käändeid ja pöördeid ning väiksem keelekorpus, on see masinõppele suurem väljakutse kui näiteks inglise või saksa keel. Ometi näitas Pärnamaa, et pilte on võimalik automaatselt loomulikus ja grammatiliselt korrektses eesti keeles kirjeldada.

Sellest uurimusest kasvas aga välja järgmine väljakutse: kuidas õpetada arvutit aru saama mikroskoobi piltidest?

Rakubioloogid pildistavad kõrglahutusmikroskoobi abil üksikuid rakke, et koguda sedasi infot nende elutegevuse kohta. Inimesel on vaja aastaid kogemust ja vastavat treeningut, et täpselt ära tunda, mis pildil juhtus. Arvuti abil on seda aga võimalik teha kiiremini ja täpsemini.

Seega on Pärnamaa ja Parts töötanud välja abivahendi teadlastele, et need saaksid visuaalse materjali toel teada, mis katses toimus.

Kuidas aga õpetada arvutile näiteks raku sees toimuvat ära tundma?

Pärnamaa treenis 65 000 pärmiraku näite põhjal 11-kihilise närvivõrgu „DeepYeast“. Mudelis oli üle 10 miljoni neuronitevahelise ühenduse, mille tugevust oli vaja automaatselt optimeerida.

Algselt olid need juhuslikud, aga iga näite korral muudetakse neid selliselt, et järgmine kord, kui mudel näeb sarnast rakku, on prognoos täpsem. Nii õppis mudeli esimene kiht pildilt tuvastama horisontaalseid ja vertikaalseid ääriseid, teine kiht diagonaale ja värvilaike, kolmas kiht ringe ning sügavamad kihid suuremaid osasid rakust. Mudeli viimane kiht kombineeris need automaatselt leitud tunnused valgu asukoha kirjelduseks.

Nii suutis mudel pärmiraku pildi pealt 91-protsendilise täpsusega aru saada, kus uurimise all olev helendav valk selle raku sees asub, ning 99-protsendilise täpsusega lähendada valgu inimeksperdi poolt antud kirjeldust. Need on seni teadaolevalt kõige paremad tulemused selle ülesande lahendamiseks.

Väljatöötatud pildituvastusmudelit ei ole seotud konkreetse katse piltidega, vaid on võimalik kasutada ka teiste mikroskoopiapiltide puhul. Selleks, et mudel leiaks aga laiemat kasutust, on vaja seda levitada teadlaste hulgas, mistõttu andsid Pärnamaa ja Parts enda välja töötatud närvivõrgu vabasse kasutusse.

Tanel Pärnamaa ja Leopold Parts avaldasid sügavate närvivõrkude teemalise artikli uurimusi ja teadusartikleid koondavas võrgukeskkonnas BioRxiv. Tanel Pärnamaa magistritööd on võimalik lugeda Tartu ülikooli digitaalarhiivist.

Neile, kes soovivad tutvuda tehislike närvivõrkudega, on soovituslik lugemine Michael A. Nielsen'i raamat „Neural Networks and Deep Learning“, mis on veebis vabalt kättesaadav.

Kus me tehislikke närvivõrke rakenduses näeme? 
Närvivõrke kasutatakse igas suuremas tehnoloogiafirmas: Google otsingumootor kasutab närvivõrke ühe komponendina veebilehtede järjestamisel, Apple’i mobiilides olev personaalne assistent Siri kasutab närvivõrke kõne tuvastamisel, Skype Translator kasutab närvivõrke kõne tõlkimisel, Facebook kasutab närvivõrke kasutaja näo piltidelt ära tundmisel. Samuti kasutavad tehislikel närvivõrkudel tuginevaid pildituvastustehnoloogiaid näiteks iseliikuvad autod.


Kaader saatest "Uudishimu tippkeskus".

Video: millal muutuvad plast ja nanoosad kasulikuks ja millal ohtlikuks

„See on jah huvitav, et kui me räägime juuspeenest ja selle all me mõtleme midagi, mis on hästi peenikene, siis tegelikult saab palju peenemaks minna,“ märgib Andres Krumme, Tallinna tehnikaülikooli polümeeride tehnoloogia professor. Õigustatult tekib küsimus, miks ülipeenike on parem kui lihtsalt peenike?

ERR kasutab oma veebilehtedel http küpsiseid. Kasutame küpsiseid, et meelde jätta kasutajate eelistused meie sisu lehitsemisel ning kohandada ERRi veebilehti kasutaja huvidele vastavaks. Kolmandad osapooled, nagu sotsiaalmeedia veebilehed, võivad samuti lisada küpsiseid kasutaja brauserisse, kui meie lehtedele on manustatud sisu otse sotsiaalmeediast. Kui jätkate ilma oma lehitsemise seadeid muutmata, tähendab see, et nõustute kõikide ERRi internetilehekülgede küpsiste seadetega.
Hea lugeja, näeme et kasutate vanemat brauseri versiooni või vähelevinud brauserit.

Parema ja terviklikuma kasutajakogemuse tagamiseks soovitame alla laadida uusim versioon mõnest meie toetatud brauserist: