El microscopio nuevo optimiza la iluminación para perfeccionar diagnosis

Los ingenieros en Duke University han desarrollado un microscopio que adapta sus ángulos ligeros, colores y configuraciones mientras que la enseñanza de las fijaciones óptimas necesitó terminar una tarea diagnóstica dada.

En el estudio inicial del prueba-de-concepto, el microscopio desarrolló simultáneamente una configuración del alumbrado y el sistema de clasificación que permitió que determinara rápidamente a los glóbulos rojos infectó por el parásito de malaria más exacto que médicos entrenados y otras aproximaciones del aprendizaje de máquina.

Los resultados aparecen en línea el 19 de noviembre en la óptica biomédica del gorrón expresa.

Un microscopio estándar ilumina una muestra con la misma cantidad de luz que viene de todas las direcciones, y ese alumbrado se ha optimizado para los aros humanos sobre centenares de años. Pero las computadores pueden ver que los seres humanos no pueden de las cosas. Tan no sólo ténganos reajustó el hardware para ofrecer un alcance diverso de las opciones del alumbrado, nosotros han permitido que el microscopio optimice la iluminación para sí mismo.”

Roarke Horstmeyer, profesor adjunto de la ingeniería biomédica en el duque

Bastante que difundiendo la luz blanca de debajo para iluminar uniformemente la diapositiva, los ingenieros desarrollaron una fuente de luz en forma de cuenco con el LED embutido en su superficie. El permite que las muestras sean iluminadas de diversos ángulos hasta casi 90 grados con diversos colores, que esencialmente echa sombras y destaca diversas características de la muestra dependiendo de la configuración del LED usado.

Los investigadores entonces introdujeron los centenares del microscopio de muestras de glóbulos rojos malaria-infectados preparados como manchas finas, en las cuales las carrocerías de célula siguen siendo enteras y se extienden idealmente fuera en un de una sola capa en una diapositiva del microscopio. Usando un tipo de algoritmo de aprendizaje de máquina llamó una red neuronal circumvolucional, el microscopio aprendido que las características de la muestra eran las más importantes para diagnosticar malaria y cómo mejor destacar esas características.

El algoritmo aterrizó eventual en una configuración de forma anular del LED de diversos colores que venían de ángulos relativamente altos. Mientras que las imágenes resultantes son más ruidosas que una imagen regular del microscopio, destacan el parásito de malaria en un sitio brillante y se clasifican correctamente el cerca de 90 por ciento del tiempo. Los médicos entrenados y otros algoritmos de aprendizaje de máquina se realizan típicamente con el cerca de 75 por ciento de exactitud.

“Las configuraciones que está escogiendo están anillo-como con diversos colores que sean no uniformes y no sean necesariamente obvios,” dijeron a Horstmeyer. “Aunque las imágenes son más oscuros y más ruidosas que un qué clínico crearía, el algoritmo está diciendo que vivirá con el ruido, él apenas quiere realmente conseguir el parásito destacado para ayudarle para hacer una diagnosis.”

Horstmeyer entonces envió la configuración del LED y el algoritmo de clasificación al laboratorio de otro colaborador a través del mundo para ver si los resultados eran traducibles a diversos montajes del microscopio. El otro laboratorio mostró éxitos similares.

Los “médicos tienen que observar a través de mil células para encontrar un único parásito de malaria,” dijo a Horstmeyer. “Y porque tienen que empinadura hacia adentro tan de cerca, pueden observar solamente quizá docena al mismo tiempo, y así que leyendo tomas de una diapositiva cerca de 10 minutos. Si tuvieran que observar solamente un puñado de células que nuestro microscopio ha escogido ya en cuestión de segundos, aceleraría grandemente el proceso.”

Los investigadores también mostraron que el microscopio funciona bien con las preparaciones gruesas de la mancha de la sangre, en las cuales los glóbulos rojos forman un fondo altamente no uniforme y pueden estar rotos aparte. Para esta preparación, el algoritmo de aprendizaje de máquina era el 99 por ciento acertado del tiempo.

Según Horstmeyer, la exactitud perfeccionada se prevee porque las manchas gruesas probadas fueron manchadas más pesado que las manchas finas y exhibió un contraste más alto. Pero también duran para prepararse, y la parte del estímulo detrás del proyecto es reducir el tiempos de la diagnosis en fijaciones del inferior-recurso donde están escasos los médicos entrenados y los atascamientos son la norma.

Con este éxito inicial a disposición, Horstmeyer está continuando desarrollar el microscopio y el algoritmo de aprendizaje de máquina.

Un grupo de estudiantes de tercer ciclo de la ingeniería del duque ha creado una compañía de lanzamiento SafineAI para miniaturizar el concepto reconfigurable del microscopio del LED, que ha ganado ya un premio $120.000 en una competencia local del tono.

Mientras tanto, Horstmeyer está trabajando con un diverso algoritmo de aprendizaje de máquina para crear una versión del microscopio que puede ajustar su configuración del LED a cualquier diapositiva específica que esté intentando leer.

“Estamos intentando básicamente comunicar algunos cerebros en el proceso de adquisición de la imagen,” dijo a Horstmeyer. “Quisiéramos que el microscopio utilizara todos sus grados de libertad. Tan en vez apenas mudo de tomar imágenes, puede jugar alrededor con el foco y la iluminación a intentar conseguir una mejor idea de cuál está en la diapositiva, apenas como un 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.