Een nieuwe generatie kolonietellers maakt inmiddels gebruik van artificial intelligence. De software kan de kolonies visueel herkennen en tellen. Net als een analist zou doen. Alleen het neurale netwerk dat daarvoor gebruikt wordt, is vele malen sneller dan een analist. Dat maakt dat deze kolonietellers daadwerkelijk alle kolonies in een petrischaal in een paar seconden kunnen tellen. En ze kunnen de kolonies onderscheiden van een luchtbel of andere vervuiling. Dat maakt ze zeer accuraat.
AI heeft de toekomst
Peter Krul is eigenaar van AAA Lab Equipment B.V. en ontwerper, ontwikkelaar en bouwer van een dergelijke kolonieteller. Hij schetst dat de AI-getrainde software niet meer weg te denken valt uit de laboratoriumapparatuur: "AI heeft echt de toekomst. Je ziet nu dat deze ontwikkeling gaande is en dat de AI-apparatuur echt wezenlijk verschilt van zijn voorgangers. Een AI-kolonieteller is bijvoorbeeld sneller, accurater en daarnaast ook eenvoudig te bedienen. Dit maakt dat deze AI-kolonietellers robuuste data aanleveren en dat problemen in laboratoria als ruimte-, personeelstekort en groei eenvoudig opgevangen kunnen worden."
Vrees voor zelflerende apparatuur ongegrond
"Men denkt soms dat AI betekent dat een apparaat zelf nadenkt en handelingen zelfstandig uitvoert die misschien ongewenst zijn", vertelt Krul. "Maar AI betekent in het geval van de kolonieteller dat het neurale netwerk visueel getraind is, net zoals je een analist zou trainen. Het principe is eigenlijk heel eenvoudig; hij ziet hetzelfde als een analist, alleen kan hij veel sneller tellen."
Juist standaardisatie en gevalideerde methoden zijn belangrijk in een laboratorium”
Als de software eenmaal specifiek getraind is, leert hij niet zelf automatisch bij. "Dat is ook niet wenselijk. Je wilt immers werken met een gestandaardiseerde methode en niet met een fluïde methode, onder steeds wisselende omstandigheden. Je trekt een streep en met die versie werk je vervolgens. Juist standaardisatie en gevalideerde methoden zijn belangrijk in een laboratorium." Omdat een AI-kolonieteller gekoppeld wordt aan LIMS is het ook belangrijk dat aan de data een versienummer van de software gekoppeld is.
Getrainde neurale netwerken
Een standaard neuraal netwerk kan specifiek getraind worden voor een bepaalde combinatie agar en micro-organisme. Voor deze combinatie wordt de boven- en onderverlichting van de kolonieteller afgesteld, net als een HD-camera. Daardoor kan zelfs reflectieloos door de deksel van de petrischaal worden gefotografeerd. Een leverancier van de apparatuur traint vervolgens het benodigde neurale netwerk, zodat de juiste kolonies geteld worden. In principe is de kolonieteller dan geschikt voor gebruik en de software custom made voor de klant.
Direct valideren of op een later moment
Een HD-camera maakt een foto van de petrischaal en de software ‘ziet’ vervolgens de aanwezige kolonies, waarop hij getraind is. Op de aangesloten hardware, bijvoorbeeld een tablet, verschijnt binnen een paar seconden de foto. Daarop is duidelijk zichtbaar welke kolonies zijn geteld. Deze telling is na een eventuele bijtelling - met een pen is het scherm aan te tikken - eenvoudig te valideren door analisten. Bijtelling is echter in de meeste gevallen niet nodig. Op deze manier kan snel plaat voor plaat geanalyseerd worden.
Het is ook mogelijk de platen zonder directe beoordeling achter elkaar te fotograferen en als serieverdunning te tonen op een tablet. Op een later tijdstip kan deze serie door een analist geanalyseerd worden. Na deze analyse kan de data direct in LIMS opgeslagen worden.
Informatie ontgrendelen met foto's en data
De opslag van de data en foto's per petrischaal biedt de mogelijkheid om de petrischalen op een later moment nogmaals te beoordelen, waar normaal gesproken de platen na analyse worden weggegooid. Daarnaast levert de opslag ook waardevolle input voor bijvoorbeeld business intelligence (BI) en trendanalyses.
Krul: “Een AI-kolonieteller telt heel accuraat en consequent. Hij ondervangt daarmee het verschil in tellingen dat er is tussen verschillende analisten. Omdat er door de analisten wordt bijgeteld, kun je door een trendanalyse ook eenvoudig verschillen tussen analisten in beeld brengen. De een telt nou eenmaal nauwkeuriger of sneller bij dan de ander."
Filtertool
Een ander voordeel van de dataopslag is dat veranderingen in het proces gesignaleerd worden. Zo is het ook mogelijk om opvallende tellingen er direct uit te halen of om er een zogenaamde flag aan te hangen, zodat er naderhand goed naar gekeken kan worden. De kolonietellers beschikken over een filtertool waardoor verschillende data eruit gefilterd kunnen worden. Met deze filtertool kun je ook de platen erbij pakken waar veel is bijgeteld; deze platen kunnen gebruikt worden om bij te trainen.
Bijtrainen blijft mogelijk
Bij veranderende omstandigheden of bijvoorbeeld het gebruik van een andere soort of leverancier van het groeimedium is het ook mogelijk de AI-kolonieteller bij te trainen. “Voor onze eigen AI-kolonieteller Iris bijvoorbeeld, is een specifieke trainingsset ontwikkeld om datasets te creëren voor het trainen van neurale netwerken,” legt Krul uit.
“De analisten omcirkelen van een aantal platen handmatig zo nauwkeurig mogelijk het aantal kolonies op het scherm of op een tablet. Op afstand kunnen wij dan met behulp van de trainingsset de software bijtrainen. Zo staat er een machine van ons in Taiwan, waarvan we de software vanuit Nederland eenvoudig kunnen bijtrainen.”
Natuurlijk zijn er ook beperkingen
“We moeten wel reëel zijn,” vervolgt Krul, “en onderkennen dat ook een AI-kolonieteller niet 100% accuraat is. Het lastige is dat men altijd vindt dat het menselijk is voor een analist om fouten te maken, maar dat een apparaat volledig accuraat zou moeten zijn. De data die de tellers leveren zijn echter zeer consistent en robuust. En resultaten worden bijzonder snel opgeleverd uiteraard. Door het nauwgezet bijtellen door analisten bereik je eenvoudig en snel een zeer grote accuratesse.”
Een mogelijk ander nadeel is dat de foto minder geschikt is om geteld te worden als er labels, plakband of stiftmarkeringen op de onderkant van de petrischaal zitten. Krul: “Ook condens kan een beperkende factor zijn als we door de deksel heen moeten fotograferen, maar deze omstandigheden zijn uiteraard prima te vermijden. Dit vereist slechts een iets aangepast plaatprotocol en uiteraard kan een analist bij een incidentele ‘plaatvervuiling’ altijd zelf tellen."
De AI-kolonieteller telt wat je hem leert
Doordat een AI-kolonieteller eenvoudig te trainen is, kan hij bijna alles in een petrischaal tellen. Dus ook glasvezels of moertjes of verschillende vormen, kleuren of ontkiemingsstadia van zaadjes. Krul: “De AI-kolonieteller telt wat je hem leert te tellen; als een mens visueel het onderscheid tussen kolonies kan maken kan AI dat ook.”
Dat maakt dat er nog een enorm groeipotentieel in de AI-laboratoriumapparatuur zit. Deze apparatuur kan een hoop problemen ondervangen waar laboratoria vandaag de dag tegenaan lopen. Alleen al dat de neurale netwerken slechts een keer getraind hoeven te worden, in tegenstelling tot steeds nieuwe analisten. Of dat ze repeterende bewegingen bij analisten voorkomen en dat afhankelijk van het niveau van de analist verschillende handelingen per persoon uitgevoerd kunnen worden.
“Neem daarbij dat je in dit geval van een AI-kolonieteller ook kunt uitbreiden naar een geautomatiseerde in- en uitvoerunit en je ziet dat de AI-apparatuur enorme tijdwinsten kan opleveren en daarmee maakt dat een investering snel terugverdiend wordt,” besluit Krul.
Dit artikel is tot stand gekomen in samenwerking met AAA Lab Equipment B.V.
