Deep learning gør det muligt for forskere at identificere kræftceller i blodet på millisekunder

Forskere ved UCLA og NantWorks har udviklet en kunstig intelligens-drevet enhed, der registrerer kræftceller på få millisekunder - hundredvis af gange hurtigere end tidligere metoder. Med den hastighed, opfindelsen kunne gøre det muligt at udvinde kræftceller fra blod umiddelbart efter, at de er opdaget, hvilket igen kunne være med til at forhindre sygdommen i at sprede sig i kroppen.

En artikel om fremrykningen blev offentliggjort i tidsskriftet Naturvidenskabelige rapporter .

Tilgangen bygger på to kerneteknologier:dyb læring og fotonisk tidsudstrækning. Deep learning er en type maskinlæring, en kunstig intelligens-teknik, hvor algoritmer "trænes" til at udføre opgaver ved hjælp af store mængder data. I dyb læring, Algoritmer kaldet neurale netværk er modelleret efter, hvordan den menneskelige hjerne fungerer. Sammenlignet med andre typer maskinlæring, dyb læring har vist sig at være særlig effektiv til at genkende og generere billeder, tale, musik og videoer.

Photonic time stretch er en ultrahurtig måleteknologi, der blev opfundet ved UCLA. Fotoniske tidsstrækinstrumenter bruger ultrakorte laserbursts til at fange billioner af datapunkter i sekundet, mere end 1, 000 gange hurtigere end nutidens hurtigste mikroprocessorer. Teknologien har hjulpet videnskabsmænd med at opdage sjældne fænomener inden for laserfysik og opfinde nye typer biomedicinske instrumenter til 3-D mikroskopi, spektroskopi og andre applikationer.

"På grund af den ekstreme mængde værdifulde data, de genererer, tidsstrækinstrumenter og deep learning er et match made in heaven, " sagde seniorforfatter Bahram Jalali, en UCLA-professor i elektro- og computerteknik ved UCLA Samueli School of Engineering og medlem af California NanoSystems Institute ved UCLA.

Systemet bruger også en teknologi kaldet billeddannende flowcytometri. Cytometri er videnskaben om at måle cellekarakteristika; i billeddannende flowcytometri, disse målinger opnås ved at bruge en laser til at tage billeder af cellerne én ad gangen, mens de strømmer gennem en bærervæske. Selvom der allerede er teknikker til at kategorisere celler i billeddannende flowcytometri, disse teknikkers behandlingstrin sker så langsomt, at enheder ikke har tid til fysisk at adskille celler fra hinanden.

Bygger på deres tidligere arbejde, Jalali og hans kolleger udviklede en dyb læringspipeline, som løser dette problem ved at operere direkte på lasersignalerne, der er en del af den billeddannende flowcytometriproces, hvilket eliminerer de tidskrævende behandlingstrin for andre teknikker.

"Vi optimerede designet af det dybe neurale netværk til at håndtere de store mængder data, der er skabt af vores tidsudstrækning billeddannende flowcytometer - og opgraderer ydeevnen af ​​både softwaren og instrumentet, " sagde Yueqin Li, en gæstende doktorand og avisens første forfatter.

Ata Mahjoubfar, en UCLA postdoc-forsker og en medforfatter af papiret, sagde teknikken gør det muligt for instrumentet at afgøre, om en celle er kræftagtig praktisk talt øjeblikkeligt.

"Vi behøver ikke at udtrække biofysiske parametre for cellerne længere, " sagde han. "I stedet, dybe neurale netværk analyserer selve de rå data ekstremt hurtigt."