O microscópio novo aperfeiçoa a iluminação para melhorar o diagnóstico

Os coordenadores em Duke University desenvolveram um microscópio que adaptasse seus ângulos, cores e testes padrões de iluminação ao se ensinar os ajustes óptimos necessários para terminar uma tarefa diagnóstica dada.

No estudo inicial do prova--conceito, o microscópio desenvolveu simultaneamente um teste padrão da iluminação e o sistema de classificação que permitiu que identificasse rapidamente glóbulos vermelhos contaminou pelo parasita de malária mais exactamente do que médicos treinados e outras aproximações da aprendizagem de máquina.

Os resultados aparecem em linha o 19 de novembro no sistema ótico biomedicável do jornal expresso.

Um microscópio padrão ilumina uma amostra com a mesma quantidade de luz que vem de todos os sentidos, e essa iluminação foi aperfeiçoada para os olhos humanos sobre centenas de anos. Mas os computadores podem ver que seres humanos das coisas não podem. Assim não somente para ter nós remodelamos o hardware para fornecer uma escala diversa de opções da iluminação, nós permitimos que o microscópio aperfeiçoe a iluminação para se.”

Roarke Horstmeyer, professor adjunto da engenharia biomedicável no duque

Um pouco do que difundindo a luz branca de baixo de para iluminar uniformente a corrediça, os coordenadores desenvolveram uma fonte luminosa em forma de bacia com o diodo emissor de luz encaixado durante todo sua superfície. Isto permite que as amostras sejam iluminadas dos ângulos diferentes até quase 90 graus com cores diferentes, que essencialmente molda sombras e destaca características diferentes da amostra segundo o teste padrão do diodo emissor de luz usado.

Os pesquisadores alimentaram então as centenas do microscópio de amostras de glóbulos vermelhos malária-contaminados preparados como as manchas finas, em que os corpos de pilha permanecem inteiros e são espalhados idealmente para fora em uma única camada em uma corrediça do microscópio. Usando um tipo de algoritmo de aprendizagem da máquina chamou uma rede neural circunvolucional, o microscópio aprendido que as características da amostra eram as mais importantes para diagnosticar a malária e como melhor destacar aquelas características.

O algoritmo aterrou eventualmente em um teste padrão circular do diodo emissor de luz das cores diferentes que vêm dos ângulos relativamente altos. Quando as imagens resultantes forem mais ruidosas do que uma imagem regular do microscópio, destacam o parasita de malária em um ponto brilhante e estão classificadas correctamente aproximadamente 90 por cento do tempo. Os médicos treinados e outros algoritmos de aprendizagem da máquina executam tipicamente com os aproximadamente 75 por cento de precisão.

“Os testes padrões que está seleccionando são em forma de anel com cores diferentes que são não-uniforme e não são necessariamente óbvias,” disseram Horstmeyer. “Mesmo que as imagens são mais não ofuscantes e mais ruidosas do que que clínico criaria, o algoritmo está dizendo que viverá com o ruído, ele apenas quer realmente obter o parasita destacado para o ajudar a fazer um diagnóstico.”

Horstmeyer enviou então o teste padrão do diodo emissor de luz e o algoritmo de classificação ao laboratório de um outro colaborador através do mundo para ver se os resultados eram translatable às instalações diferentes do microscópio. O outro laboratório mostrou sucessos similares.

Os “médicos têm que olhar através de mil pilhas para encontrar um único parasita de malária,” disse Horstmeyer. “E porque têm que zumbir dentro tão pròxima, podem somente olhar talvez dúzia de cada vez, e assim que lendo tomadas de uma corrediça aproximadamente 10 minutos. Se somente tiveram que olhar um punhado das pilhas que nosso microscópio já seleccionou numa questão de segundos, aceleraria extremamente o processo.”

Os pesquisadores igualmente mostraram que o microscópio funciona bem com preparações grossas da mancha do sangue, em que os glóbulos vermelhos formam altamente um fundo do não-uniforme e podem se quebrar distante. Para esta preparação, o algoritmo de aprendizagem da máquina era 99 por cento bem sucedido do tempo.

De acordo com Horstmeyer, a precisão melhorada é esperada porque as manchas grossas testadas foram manchadas mais pesadamente do que as manchas finas e exibiu um contraste mais alto. Mas igualmente tomam mais por muito tempo para preparar-se, e a parte da motivação atrás do projecto é reduzir em tempos do diagnóstico nos ajustes do baixo-recurso onde os médicos treinados são escassos e os gargalos são a norma.

Com este sucesso inicial à disposição, Horstmeyer está continuando a desenvolver o microscópio e o algoritmo de aprendizagem da máquina.

Um grupo de alunos diplomados da engenharia do duque formou uma empresa startup SafineAI para miniaturizar o conceito reconfigurável do microscópio do diodo emissor de luz, que tem ganhado já um prêmio $120.000 em uma competição local do passo.

Entrementes, Horstmeyer está trabalhando com um algoritmo de aprendizagem diferente da máquina para criar uma versão do microscópio que pode ajustar seu teste padrão do diodo emissor de luz a toda a corrediça que específica tentar ler.

“Nós estamos tentando basicamente dar alguns cérebros no processo de aquisição da imagem,” disse Horstmeyer. “Nós queremos o microscópio usar todos seus graus de liberdade. Assim em vez apenas muda de tomar imagens, pode jogar ao redor com o foco e a iluminação a tentar obter uma ideia melhor do que estivesse na corrediça, apenas como um ser humano.”

Source:
Journal reference:

Muthumbi, A., et al. (2019) Learned sensing: jointly optimized microscope hardware for accurate image classification. Biomedical Optics Express. doi.org/10.1364/BOE.10.006351.