Обучение с несколькими образцами для классификации СЭМ-изображений зеленосинтезированных наночастиц Momordica cymbalaria

Растения, крошечные частицы и умные компьютеры

Что если обычные растения могли бы помогать в создании крошечных частиц для будущих лекарств, а умные компьютерные алгоритмы могли бы сортировать эти частицы почти так же хорошо, как эксперт-человек? В этом исследовании объединены «зеленая» химия и искусственный интеллект: используют экстракты лекарственной лианы Momordica cymbalaria для получения наночастиц и обучают компактную модель распознавания изображений различать образцы, имея всего несколько микроскопических изображений.

Использование лекарственного растения для получения крошечных частиц

Вместо применения агрессивных химикатов исследователи обратились к растению, известному в традиционной медицине благодаря роли в контроле уровня сахара в крови. Они использовали его корни и плоды как природные мини‑фабрики для получения двух типов наночастиц: серебра и карбоната кальция. Растительные соединения помогали запускать и стабилизировать эти реакции, предлагая более чистый и потенциально безопасный путь по сравнению со стандартными промышленными методами. Полученные порошки тщательно изучали с помощью нескольких методов, чтобы определить их размер, форму и химический состав.

Заглядывая в частицы светом и электронами

Чтобы понять, что получилось, команда пропускала через образцы свет и фиксировала, как они поглощают разные длины волн — это давало подсказки о формировании наноструктур. Также использовали мощный электронный микроскоп для получения детализированных черно‑белых изображений: карбонат кальция был преимущественно округлой и скупченной формы, тогда как серебряные частицы образовывали более крупные нерегулярные скопления. Дополнительные анализы подтвердили, что образцы, богатые кальцием, содержат в основном кальций, кислород и углерод, тогда как в серебряных образцах прослеживался сильный сигнал серебра вместе с органическими компонентами из растительного экстракта. В сумме эти измерения показали, что зеленый способ хорошо работает для карбоната кальция, тогда как процесс синтеза серебра требует доработки.

Обучение компьютера «читать» микроскопические изображения

Собрать тысячи микроскопических снимков трудно и занимает много времени, особенно в небольших лабораториях. Чтобы справиться с этим, авторы обратились к подходу ИИ, называемому обучением с несколькими образцами, рассчитанному на очень маленькие обучающие наборы. Они сосредоточились на СЭМ‑изображениях из четырех групп: серебро из корней, серебро из плодов, карбонат кальция из корней и карбонат кальция из плодов. Перед обучением изображения очищали, изменяли размер и создавали дополнительные варианты путем поворотов и отражений, чтобы расширить крошечный набор данных. Две известные сети для анализа изображений, MobileNetV2 и ResNet50, были адаптированы для превращения каждого изображения в компактный числовой «отпечаток».

Как модель few-shot принимает решения

Вместо прямой подачи всех изображений в стандартный классификатор система училась на небольших заданиях, имитирующих реальные ситуации с малым количеством данных. В каждом эпизоде модель видела лишь несколько примеров каждого класса, использовала их для определения типичного «центра» класса и затем решала, к какому центру лучше подходят новые изображения. Расстояния между изображениями и этими центрами измерялись с учетом разброса внутри класса, что облегчало выявление тонких различий. Повторяя множество таких эпизодов, модель постепенно научилась выделять признаки, разделяющие четыре группы наночастиц, несмотря на очень малый общий набор данных.

Компактная модель с высокой производительностью

При сравнении различных схем обучения наиболее продвинутый подход few‑shot на базе MobileNetV2 показал наилучшие результаты. Эта версия сочетала эпизодическое обучение, центры классов, уточненные кластеризацией, и меру расстояния, чувствительную к паттернам в данных. Она достигла примерно 95-процентной точности при сохранении компактности, позволяющей работать на скромных компьютерах или даже на граничных устройствах. Проще методы, основанные на обычном трансферном обучении или базовых мерах расстояния, работали заметно хуже, что подчеркивает преимущество адаптации стратегии обучения к условиям малого объема данных.

Что это значит для будущей лабораторной работы

Для неспециалиста ключевая мысль такова: экологичный способ получения наночастиц можно сочетать с умным и экономным по данным анализом изображений, чтобы ускорить лабораторные процессы. Хотя растительный метод для карбоната кальция выглядит многообещающим, а путь со серебром требует доработки, рамки few‑shot обучения уже показывают, что надежная классификация частиц не требует огромных библиотек изображений. Подходы такого рода могут в будущем помочь небольшим исследовательским группам или клиникам быстро проверять качество и тип наноматериалов, способствуя более безопасному и последовательному использованию в медицине и других технологиях.

Цитирование: Venkatappa, U., Bhat, S., Dixit, M. et al. Few-shot learning for classification of SEM images from green-synthesized nanoparticles of Momordica cymbalaria. Sci Rep 16, 16185 (2026). https://doi.org/10.1038/s41598-026-46307-1

Ключевые слова: зеленая нанотехнология, обучение с несколькими образцами, классификация СЭМ-изображений, Momordica cymbalaria, синтез наночастиц