Los ingenieros de la Universidad de Duke han desarrollado un microscopio que adapta sus ángulos de iluminación, colores y patrones mientras se enseña la configuración óptima necesaria para completar una tarea de diagnóstico determinada.
En el estudio inicial de prueba de concepto, el microscopio desarrolló simultáneamente un patrón de iluminación y un sistema de clasificación que le permitió identificar rápidamente los glóbulos rojos infectados por el parásito de la malaria con mayor precisión que los médicos capacitados y otros enfoques de aprendizaje automático.
Los resultados aparecen en línea el 19 de noviembre en la revista Biomedical Optics Express .
"Un microscopio estándar ilumina una muestra con la misma cantidad de luz proveniente de todas las direcciones, y esa iluminación se ha optimizado para los ojos humanos durante cientos de años", dijo Roarke Horstmeyer, profesor asistente de ingeniería biomédica en Duke.
"Pero las computadoras pueden ver cosas que los humanos no pueden", dijo Hortmeyer. "Así que no solo hemos rediseñado el hardware para proporcionar una amplia gama de opciones de iluminación, hemos permitido que el microscopio optimice la iluminación por sí mismo".
En lugar de difundir luz blanca desde abajo para iluminar uniformemente la diapositiva, los ingenieros desarrollaron una fuente de luz en forma de cuenco con LED integrados en toda su superficie. Esto permite que las muestras se iluminen desde diferentes ángulos hasta casi 90 grados con diferentes colores, queesencialmente proyecta sombras y resalta diferentes características de la muestra según el patrón de los LED utilizados.
Los investigadores luego alimentaron al microscopio con cientos de muestras de glóbulos rojos infectados con malaria preparados como frotis delgados, en los cuales los cuerpos celulares permanecen enteros e idealmente se extienden en una sola capa en un portaobjetos de microscopio. Utilizando un tipo de aprendizaje automáticoalgoritmo llamado red neuronal convolucional, el microscopio aprendió qué características de la muestra eran más importantes para diagnosticar la malaria y la mejor manera de resaltar esas características.
El algoritmo finalmente aterrizó en un patrón LED en forma de anillo de diferentes colores que provienen de ángulos relativamente altos. Si bien las imágenes resultantes son más ruidosas que una imagen de microscopio normal, resaltan el parásito de la malaria en un punto brillante y se clasifican correctamente alrededor del 90 por cientoPor lo general, los médicos capacitados y otros algoritmos de aprendizaje automático funcionan con una precisión de aproximadamente el 75 por ciento.
"Los patrones que está seleccionando son como anillos con diferentes colores que no son uniformes y no son necesariamente obvios", dijo Horstmeyer. "Aunque las imágenes son más tenues y ruidosas de lo que crearía un clínico, el algoritmo dicevivirá con el ruido, solo quiere resaltar el parásito para ayudarlo a hacer un diagnóstico "
Horstmeyer luego envió el patrón de LED y el algoritmo de clasificación al laboratorio de otro colaborador en todo el mundo para ver si los resultados eran traducibles a diferentes configuraciones de microscopio. El otro laboratorio mostró éxitos similares.
"Los médicos tienen que mirar a través de mil células para encontrar un solo parásito de la malaria", dijo Horstmeyer. "Y debido a que tienen que acercarse tan de cerca, solo pueden ver una docena a la vez, y así leer una diapositivalleva unos 10 minutos. Si solo tuvieran que mirar un puñado de células que nuestro microscopio ya ha seleccionado en cuestión de segundos, aceleraría enormemente el proceso ".
Los investigadores también demostraron que el microscopio funciona bien con preparaciones espesas de frotis de sangre, en las cuales los glóbulos rojos forman un fondo altamente no uniforme y pueden romperse. Para esta preparación, el algoritmo de aprendizaje automático tuvo éxito en el 99 por ciento delhora.
Según Horstmeyer, se espera una precisión mejorada porque los frotis gruesos probados estaban más manchados que los frotis delgados y exhibían un mayor contraste. Pero también demoran más en prepararse, y parte de la motivación detrás del proyecto es reducirtiempos de diagnóstico en entornos de bajos recursos donde los médicos capacitados son escasos y los cuellos de botella son la norma.
Con este éxito inicial en la mano, Horstmeyer continúa desarrollando tanto el microscopio como el algoritmo de aprendizaje automático.
Un grupo de estudiantes de posgrado de ingeniería de Duke ha formado una empresa de nueva creación, SafineAI, para miniaturizar el concepto de microscopio LED reconfigurable, que ya ha ganado un premio de $ 120,000 en una competencia de lanzamiento local.
Mientras tanto, Horstmeyer está trabajando con un algoritmo de aprendizaje automático diferente para crear una versión del microscopio que pueda ajustar su patrón de LED a cualquier diapositiva específica que esté tratando de leer.
"Básicamente estamos tratando de impartir algunos cerebros en el proceso de adquisición de imágenes", dijo Horstmeyer. "Queremos que el microscopio use todos sus grados de libertad. Entonces, en lugar de simplemente tomar imágenes tontamente, puede jugar con elenfoque e iluminación para tratar de tener una mejor idea de lo que hay en la diapositiva, como lo haría un humano ".
Fuente de la historia :
Materiales proporcionado por Universidad de Duke . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :