Få-skott-inlärning för klassificering av SEM-bilder från grönt syntetiserade nanopartiklar av Momordica cymbalaria

Växter, små partiklar och smarta datorer

Tänk om vanliga växter kunde hjälpa till att tillverka små partiklar för framtida läkemedel, och smarta datorprogram kunde skilja dessa partiklar nästan lika bra som en mänsklig expert? Denna studie förenar grön kemi och artificiell intelligens genom att använda extrakt från en medicinalväxt, Momordica cymbalaria, för att skapa nanopartiklar och därefter träna en kompakt bildigenkänningsmodell att skilja mellan prover med endast ett fåtal mikroskopbilder.

Att använda en medicinalväxt för att bygga små partiklar

I stället för att förlita sig på hårda kemikalier vände sig forskarna till en växt som redan är känd inom traditionell medicin för sin roll i blodsockerreglering. De använde dess rötter och frukter som naturliga mini-fabriker för att framställa två typer av nanopartiklar: silver och kalciumkarbonat. Växtens föreningar hjälpte till att driva och stabilisera reaktionerna, vilket erbjuder en renare och potentiellt säkrare väg än konventionella industriella metoder. De resulterande pulvren undersöktes noggrant med flera verktyg för att kontrollera deras storlek, form och kemiska sammansättning.

Att titta på partiklarna med ljus och elektroner

För att förstå vad de hade skapat lät teamet ljus passera genom proverna och registrerade hur de absorberade olika färger, en ledtråd att de små strukturerna bildats som förväntat. De använde också ett kraftfullt elektronmikroskop för att skapa detaljerade svartvita bilder, som visade att kalciumkarbonatpartiklarna mestadels var runda och klustrade, medan silverpartiklarna klumpade ihop sig i större, oregelbundna former. Ytterligare tester bekräftade att kalciumrika prover främst innehöll kalcium, syre och kol, medan silverproverna visade starka signaler för silver tillsammans med organiskt material från växtextraktet. Tillsammans visade dessa mätningar att den gröna processen fungerade väl för kalciumkarbonat, men att silverprocessen behöver mer fininställning.

Att lära en dator läsa mikroskopbilder

Att samla tusentals mikroskopbilder är svårt och tidskrävande, särskilt i små labb. För att hantera detta vände sig författarna till en form av artificiell intelligens kallad få-skott-inlärning, utformad för att fungera med mycket små träningsuppsättningar. De fokuserade på svepelektronmikroskopbilder från fyra grupper: silver från rötter, silver från frukter, kalciumkarbonat från rötter och kalciumkarbonat från frukter. Innan träning rengjorde och ändrade de storlek på bilderna och skapade extra variationer genom att rotera och vända dem för att förstora den lilla dataseten. Två välkända bildanalysnätverk, MobileNetV2 och ResNet50, anpassades för att omvandla varje bild till ett kompakt numeriskt fingeravtryck.

Hur få-skott-modellen fattar beslut

I stället för att helt enkelt mata in alla bilder i en standardklassificerare lärde sig systemet i små uppgifter som efterliknade verkliga låg-data-situationer. I varje uppgift såg det bara några exempel från varje klass, använde dem för att hitta ett typiskt "centrum" för den klassen och bestämde sedan var nya bilder bäst passade in. Avstånd mellan bilder och dessa centrum mättes på ett sätt som tar hänsyn till hur utspridd varje klass är, vilket gör subtila skillnader lättare att upptäcka. Genom att upprepa många sådana episoder lärde sig modellen gradvis funktioner som separerar de fyra nanopartikelgrupperna, trots att hela datasetet var mycket litet.

En kompakt modell med stark prestanda

När forskarna jämförde olika träningsupplägg presterade den mest avancerade få-skott-metoden, med MobileNetV2, bäst. Denna version kombinerade episodisk träning, klasscentrum förfinade genom klustring, och ett avståndsmått som är känsligt för mönster i datan. Den nådde omkring 95 procent träffsäkerhet samtidigt som den förblev tillräckligt liten för att köras på modest utrustade datorer eller till och med edge-enheter. Enklare metoder som byggde på ordinär transferinlärning eller grundläggande avståndsmått klarade sig märkbart sämre, vilket lyfter fram nyttan av att anpassa träningsstrategin till låg-data-förhållanden.

Vad detta innebär för framtida laboratoriearbete

För en icke-specialist är huvudbudskapet att miljövänlig nanopartikeltillverkning kan kombineras med smart, dataeffektiv bildanalys för att snabba upp laboratoriearbetet. Medan den växtbaserade metoden för kalciumkarbonat verkar lovande och silvermetoden fortfarande behöver förfinas, visar få-skott-inlärningsramverket redan att tillförlitlig partikelklassificering inte kräver enorma bildbibliotek. Angreppssätt som detta skulle en dag kunna hjälpa små forskargrupper eller kliniker att snabbt kontrollera kvalitet och typ av nanopartikelmaterial, vilket stödjer säkrare och mer konsekvent användning inom medicin och andra teknologier.

Citering: 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

Nyckelord: grön nanoteknik, få-skott-inlärning, SEM-bildklassificering, Momordica cymbalaria, nanopartikelsyntes